改進(jìn)PSO的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究.pdf

1、數(shù)據(jù)融合是許多傳統(tǒng)學(xué)科和新興工程領(lǐng)域相結(jié)合而形成的一個(gè)新的前沿學(xué)科，超越了在軍事領(lǐng)域的應(yīng)用，已經(jīng)在許多領(lǐng)域中得到了廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)是計(jì)算智能和機(jī)器學(xué)習(xí)研究最活躍的分支之一，它是從人腦的生理結(jié)構(gòu)出發(fā)，探討人類智能活動(dòng)的機(jī)理?；谏窠?jīng)網(wǎng)絡(luò)數(shù)據(jù)融合是當(dāng)前研究的熱點(diǎn)問(wèn)題，基于反向傳播神經(jīng)網(wǎng)絡(luò)便是其中研究方向之一。雖然反向傳播神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但它也存在不足，主要有訓(xùn)練時(shí)間較長(zhǎng)，易陷入局部極小值，訓(xùn)練過(guò)程中學(xué)習(xí)新樣本時(shí)有遺忘舊樣本

2、的趨勢(shì)等。 針對(duì)上述問(wèn)題，本文探討了將粒子群算法用于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的網(wǎng)絡(luò)訓(xùn)練，加快了網(wǎng)絡(luò)的訓(xùn)練收斂速度和收斂精度，進(jìn)而提高了訓(xùn)練速度和實(shí)際應(yīng)用的精確度。PSO是近年來(lái)被廣泛關(guān)注和研究的一種智能優(yōu)化算法，該算法相對(duì)于遺傳算法簡(jiǎn)單，而且容易實(shí)現(xiàn)，沒(méi)有交叉和變異操作，需要調(diào)整的參數(shù)少，收斂速度快。針對(duì)基本PSO算法在多峰函數(shù)尋優(yōu)時(shí)出現(xiàn)的“早熟”現(xiàn)象，本文提出一種引入進(jìn)化梯度的種群小生境粒子群算法。該算法通過(guò)劃分小生境保持粒子群的多樣

3、性，引入進(jìn)化梯度以加快收斂速度，并增強(qiáng)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(luò)的優(yōu)化得到廣泛的關(guān)注，本文將引入進(jìn)化梯度的種群小生境粒子群算法引入到權(quán)值優(yōu)化問(wèn)題，實(shí)現(xiàn)了高維數(shù)權(quán)值空間的按維細(xì)致搜索，提高了收斂精度。 通過(guò)五個(gè)基準(zhǔn)測(cè)試函數(shù)的測(cè)試表明：引入進(jìn)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(biāo)準(zhǔn)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