小波神经网络模型的改进方法作者：张炎亮 陈鑫 李亚东荔湾3-1
来源：《计算机应用》2013年第11期 摘要：
为了改善小波神经网络（WNN）在处理复杂非线性问题的性能，针对量子粒子优化（QPSO）算法易早熟、后期多样性差、搜索精度不高的缺点，提出一种同时引入加权系数、引入100crypts攻略
Cauchy随机数、改进收缩扩张系数和引入自然选择的改进量子粒子优化算法，将其代替梯度下降法，训练小波基系数和网络权值，再将优化后的参数组合输入小波神经网络，以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明，与WNN、PSOWNN工业反哺农业
、QPSOWNN算法相比，改进的量子粒子小波神经网络（MQPSOWNN）算法的运行时间减少了11%～43%，而计算相对误差较之降低了8%～57%。因此，改进的量子粒子小波神经网络模型能够更迅速、更精确地逼近最优值。 关键词：
小波神经网络；改进的量子粒子；参数组合优化
0引言
小波神经网络（牛津大学校长Wavelet Neural Network，林木林地权属争议处理办法 WNN）自提出以来得到了广泛应用，然而，传统欧洲见闻录WNN模型存在精度差、不稳定、易早熟等缺点。与此同时，量子粒子优化（Quantumbehaved Particle Swarm Optimization， QPSO）算法虽然对传统粒子优化（Particle Swarm Optimization， PSO）算法进行一定的改进，但仍然没有完全摆脱PSO容易陷入局部最优的缺点，并存在着易早熟、后期多样性差、搜索精度不高等缺陷。
基于此，本文将在前人的研究基础上，提出一套QPSO算法的改进方案，并用改进后的QPSO算法代替梯度下降法，以均方差（Mean Squared Error， MSE）误差为目标函数，优化WNN的小波基系数和网络权值，再将优化后的参数组合输入WNN模型进一步精确优化，从而实现两种算法的耦合。通过实验分析可以证明，改进后的WNN具备更高的收敛精度和更快的收敛速度，对于解决复杂非线性问题拥有更好的泛化能力、容错能力以及学习能力。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议