進化計算優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的學習方法研究.pdf

1、系統(tǒng)仿真領(lǐng)域的研究難點和研究熱點之一是對復(fù)雜系統(tǒng)進行仿真及建模研究。人工神經(jīng)網(wǎng)絡(luò)通過大量互連神經(jīng)元之間連接權(quán)值的分布存儲來表示網(wǎng)絡(luò)的解題知識，具有并行處理、自學習和能以任意精度逼近任意非線性函數(shù)等特性，神經(jīng)網(wǎng)絡(luò)具有的這些優(yōu)點使其適宜于復(fù)雜系統(tǒng)建模中。但神經(jīng)網(wǎng)絡(luò)在應(yīng)用中還存在一些問題，譬如網(wǎng)絡(luò)學習局部極小，收斂速度緩慢，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計復(fù)雜及泛化性能弱等缺點，神經(jīng)網(wǎng)絡(luò)的這些缺陷阻礙了其應(yīng)用。神經(jīng)網(wǎng)絡(luò)學習從本質(zhì)上說是網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)值的優(yōu)化過程，神

2、經(jīng)網(wǎng)絡(luò)這些局限性都不可避免的會牽扯到網(wǎng)絡(luò)學習中的優(yōu)化問題。進化計算是一類模擬生物進化過程與機制求解問題的人工智能技術(shù)，進化計算具有智能性和本質(zhì)并行性兩大特點，它不受對象目標函數(shù)連續(xù)可微條件約束，在一些離散、多態(tài)、含噪聲的優(yōu)化問題中更顯示出該方法獨特的優(yōu)勢，進化計算具有的這些優(yōu)點為解決神經(jīng)網(wǎng)絡(luò)自身缺陷提供了一條全新可行途徑。
　　本文利用群體智能中的進化計算來解決神經(jīng)網(wǎng)絡(luò)在復(fù)雜系統(tǒng)建模中存在的主要問題，并將其應(yīng)用于木材表面缺陷識別。

3、主要研究內(nèi)容如下:
　　首先，針對網(wǎng)絡(luò)結(jié)構(gòu)固定情況下傳統(tǒng)BP學習方法對網(wǎng)絡(luò)學習易陷入局部極值、學習精度不高等缺陷，提出一種基于BP算子的粒子群(PSO)優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的學習方法。該方法有效結(jié)合粒子群算法和BP算法優(yōu)點，在PSO全局勘探和BP局部開發(fā)之間能給出一個較好的折中;更重要的是該結(jié)合方式能給PSO進化和BP搜索之間提供一個相互充分作用的機會，即在PSO每代尋優(yōu)解的基礎(chǔ)上執(zhí)行BP操作可以獲得精度更高的優(yōu)化解，同時該優(yōu)化解又返

4、回到粒子群優(yōu)化過程并共享其位置信息引導(dǎo)群體的快速進化，兩種算法之間相輔相成，相互促進來達到共同的尋優(yōu)目的。實驗結(jié)果表明該學習方法學習精度高，收斂速度快，在性能上優(yōu)于常規(guī)神經(jīng)網(wǎng)絡(luò)的學習方法。
　　其次，針對單一進化算法對復(fù)雜優(yōu)化問題存在早熟收斂、優(yōu)化效率低的問題，提出一種實數(shù)編碼遺傳算法與粒子群優(yōu)化方法相結(jié)合的改進混合遺傳算法(IHGA)，該方法引入生態(tài)學中生態(tài)位構(gòu)建思想，使得個體具有一定程度上的學習能力。采用遺傳算法和粒子群算法的

5、不同搜索機制共同作用于父代個體生成子代個體，一方面可以保持種群個體的多樣性，同時也在一定程度上避免了算法早熟收斂。理論證明IHGA具有概率為1的全局收斂性，實驗結(jié)果也表明該方法顯著提高了算法優(yōu)化性能及其優(yōu)化解的可靠性。在此基礎(chǔ)上，引入帶連接開關(guān)的神經(jīng)網(wǎng)絡(luò)，提出一種基于IHGA的網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)值并行調(diào)整優(yōu)選方法，仿真結(jié)果表明該方法設(shè)計的網(wǎng)絡(luò)學習精度高，結(jié)構(gòu)節(jié)儉。
　　然后，研究了徑向基網(wǎng)絡(luò)(RBF)的設(shè)計問題，提出了一種基于PSO的R

6、BF網(wǎng)絡(luò)新設(shè)計方法，該方法由正則化正交最小二乘法與D-最優(yōu)試驗設(shè)計結(jié)合算法自動構(gòu)建結(jié)構(gòu)節(jié)儉的RBF網(wǎng)絡(luò)模型;通過改進粒子群優(yōu)化算法優(yōu)選結(jié)合算法中影響網(wǎng)絡(luò)泛化性能的三個學習參數(shù)，即基寬度參數(shù)、正則化系數(shù)和D-最優(yōu)代價系數(shù)的最佳參數(shù)組合。仿真實例表明了該方法是一種較好的RBF網(wǎng)絡(luò)設(shè)計方法。
　　在木材缺陷檢測問題的研究工作中，表面缺陷檢測技術(shù)一直占有重要的地位。木材表面缺陷模式識別通常采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，與其它檢測技術(shù)相比，神經(jīng)網(wǎng)絡(luò)