多子群結(jié)構(gòu)小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究及應(yīng)用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)作為群體智能的一員，是一種具有全局尋優(yōu)能力的群體智能算法。小波神經(jīng)網(wǎng)絡(luò)是在小波分析與神經(jīng)網(wǎng)絡(luò)發(fā)展的基礎(chǔ)上形成的一種網(wǎng)絡(luò)模型，一方面，它具有小波變換的優(yōu)點(diǎn)，在時域頻域同時具有良好的局部特性，可以以多個尺度對函數(shù)逼近；另一方面，它具有多層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、記憶功能，對連續(xù)光滑的函數(shù)可以做任意精度的逼近。因此小波神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)調(diào)整參數(shù)，既能逼近函數(shù)的整體，也能

2、捕捉函數(shù)變化的細(xì)節(jié)，具備較強(qiáng)的容錯及逼近能力。
　　 采用PSO算法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)時，通常采用將網(wǎng)絡(luò)中的閾值及連接權(quán)值設(shè)置為粒子群優(yōu)化算法中粒子的位置向量，網(wǎng)絡(luò)參數(shù)的調(diào)整借助于粒子的不斷搜索，通過更新粒子的速度和位置向量間接確定神經(jīng)網(wǎng)絡(luò)的各參數(shù)，進(jìn)而搜尋最優(yōu)值。使用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的各個參數(shù)，只需要知道目標(biāo)函數(shù)值而不需要求目標(biāo)函數(shù)的導(dǎo)數(shù)，很大程度上拓寬了訓(xùn)練程序的通用性，且PSO算法避免了小波神經(jīng)網(wǎng)絡(luò)在選取初值時的隨機(jī)性

3、和單一性，使網(wǎng)絡(luò)不易出現(xiàn)盲目搜索的現(xiàn)象，減少了迭代次數(shù)，在一定程度上解決了網(wǎng)絡(luò)易陷入局部極小值的問題，比起基于梯度的BP算法，不管是在精度方面還是速度方面上都有了很大的改善。
　　 本文提出一種基于多子群結(jié)構(gòu)小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，根據(jù)適應(yīng)度值的大小把粒子群劃分為不同的子群，并對兩個子群設(shè)置不同的進(jìn)化策略，兩個子群協(xié)同進(jìn)化共同尋找全局最優(yōu)值?；谛〔ㄉ窠?jīng)網(wǎng)絡(luò)良好的逼近性能，把其引入圖像去噪領(lǐng)域中，用改進(jìn)粒子群的優(yōu)化算法優(yōu)化網(wǎng)絡(luò)，最