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。