改進PSO的神經(jīng)網(wǎng)絡數(shù)據(jù)融合技術研究.pdf

1、數(shù)據(jù)融合是許多傳統(tǒng)學科和新興工程領域相結合而形成的一個新的前沿學科，超越了在軍事領域的應用，已經(jīng)在許多領域中得到了廣泛的應用。人工神經(jīng)網(wǎng)絡是計算智能和機器學習研究最活躍的分支之一，它是從人腦的生理結構出發(fā)，探討人類智能活動的機理。基于神經(jīng)網(wǎng)絡數(shù)據(jù)融合是當前研究的熱點問題，基于反向傳播神經(jīng)網(wǎng)絡便是其中研究方向之一。雖然反向傳播神經(jīng)網(wǎng)絡得到了廣泛的應用，但它也存在不足，主要有訓練時間較長，易陷入局部極小值，訓練過程中學習新樣本時有遺忘舊樣本

2、的趨勢等。 針對上述問題，本文探討了將粒子群算法用于神經(jīng)網(wǎng)絡數(shù)據(jù)融合的網(wǎng)絡訓練，加快了網(wǎng)絡的訓練收斂速度和收斂精度，進而提高了訓練速度和實際應用的精確度。PSO是近年來被廣泛關注和研究的一種智能優(yōu)化算法，該算法相對于遺傳算法簡單，而且容易實現(xiàn)，沒有交叉和變異操作，需要調整的參數(shù)少，收斂速度快。針對基本PSO算法在多峰函數(shù)尋優(yōu)時出現(xiàn)的“早熟”現(xiàn)象，本文提出一種引入進化梯度的種群小生境粒子群算法。該算法通過劃分小生境保持粒子群的多樣

3、性，引入進化梯度以加快收斂速度，并增強粒子群優(yōu)化算法跳出局部最優(yōu)解的能力。將PSO用于神經(jīng)網(wǎng)絡的優(yōu)化得到廣泛的關注，本文將引入進化梯度的種群小生境粒子群算法引入到權值優(yōu)化問題，實現(xiàn)了高維數(shù)權值空間的按維細致搜索，提高了收斂精度。 通過五個基準測試函數(shù)的測試表明：引入進化梯度的種群小生境粒子群算法在多峰函數(shù)優(yōu)化上比標準粒子群算法有很大的提高，在收斂速度和精度上也比種群小生境粒子群算法有所提高，是一種尋優(yōu)能力、效率和可靠性更高的優(yōu)化