计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
11期
3107-3110,3143
,共5页
小波神经网络%改进的量子粒子群%参数组合优化
小波神經網絡%改進的量子粒子群%參數組閤優化
소파신경망락%개진적양자입자군%삼수조합우화
Wavelet Neural Network (WNN)%modified Quantum-behaved Particle Swarm Optimization (QPSO)%parameters combination optimization
为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(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群优化算法,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、PSO-WNN、QPSOWNN算法相比,改进的量子粒子群-小波神经网络(MQPSO-WNN)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,改进的量子粒子群-小波神经网络模型能够更迅速、更精确地逼近最优值.
為瞭改善小波神經網絡(WNN)在處理複雜非線性問題的性能,針對量子粒子群優化(QPSO)算法易早熟、後期多樣性差、搜索精度不高的缺點,提齣一種同時引入加權繫數、引入Cauchy隨機數、改進收縮-擴張繫數和引入自然選擇的改進量子粒子群優化算法,將其代替梯度下降法,訓練小波基繫數和網絡權值,再將優化後的參數組閤輸入小波神經網絡,以實現算法的耦閤.通過對3箇UCI標準數據集的倣真實驗錶明,與WNN、PSO-WNN、QPSOWNN算法相比,改進的量子粒子群-小波神經網絡(MQPSO-WNN)算法的運行時間減少瞭11％ ～43％,而計算相對誤差較之降低瞭8％ ～57％.因此,改進的量子粒子群-小波神經網絡模型能夠更迅速、更精確地逼近最優值.
위료개선소파신경망락(WNN)재처리복잡비선성문제적성능,침대양자입자군우화(QPSO)산법역조숙、후기다양성차、수색정도불고적결점,제출일충동시인입가권계수、인입Cauchy수궤수、개진수축-확장계수화인입자연선택적개진양자입자군우화산법,장기대체제도하강법,훈련소파기계수화망락권치,재장우화후적삼수조합수입소파신경망락,이실현산법적우합.통과대3개UCI표준수거집적방진실험표명,여WNN、PSO-WNN、QPSOWNN산법상비,개진적양자입자군-소파신경망락(MQPSO-WNN)산법적운행시간감소료11％ ～43％,이계산상대오차교지강저료8％ ～57％.인차,개진적양자입자군-소파신경망락모형능구경신속、경정학지핍근최우치.
