计算机科学 ›› 2017, Vol. 44 ›› Issue (Z11): 51-54.doi: 10.11896/j.issn.1002-137X.2017.11A.009
林宇锋,邓洪敏,史兴宇
LIN Yu-feng, DENG Hong-min and SHI Xing-yu
摘要: 介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。
[1] 皮倩瑛,叶洪涛.一种动态调节惯性权重的粒子群算法[J].广西科技大学学报,2016,27(3):27-31. [2] 李松,刘力军,等.改进粒子群算法优化BP神经网络的短时交通流预测[J].系统工程理论与实践,2012,32(9):2045-2049. [3] 王慧,刘希玉.基于最具影响粒子群优化的BP神经网络训练[J].计算机工程与应用,2007,43(18):69-71. [4] BASHIR Z A,EL-HAWARY M E.Applying W-avelets to Short-Term Load Forecasting Using PSO-Based Neural Networks[J].IEEE Transaction on power system February,2009,24(1):20-26. [5] 王德明,王莉,张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学报(工学版),2012,46(5):837-841. [6] 刘冰,郭海霞.MATLAB神经网络超级学习手册[M].北京:人民邮电出版社,2014:159-163. [7] 许以山,曾碧,尹秀文,等.基于改进粒子群算法的BP神经网络及其应用[J].计算机工程与应用,2009,45(35):233-235. [8] 李炳宇,萧蕴诗.新的进化计算算法-粒子群优化算法[J].计算机科学,2003,30(6):19-21. [9] GUDISE V G,VENAYAGAMOORTHY G K.Com-parison of Particle Swarm Optimization and backpropagation as training algorithms for neural networks[C]∥IEEE Department of Electrical and Computer Engineering University of Missouri-Rolla.USA,2003:110-116. [10] 赵宏伟,李圣普.基于粒子群算法和RBF神经网络的云计算资源调度方法研究[J].计算机科学,2016,43(3):113-117. [11] 吕振肃,侯志荣.自适应变异的粒子群优化算法[J].电子学报,2004,32(3):416-420. [12] CLERC M,KENNEDY J.The Particle Swarm-Explosion,stabi-lity,and convergence in a Multidimensional Complex Space[J].IEEE Transactionon Evolutionary Computation,2002,6(1):58-71. [13] 沈学利,张红岩,张纪锁.改进粒子群算法对BP神经网络的优化[J].计算机系统应用,2010,19(2):57-61. |
No related articles found! |
|