基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练,按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.

     

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特 构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明,此算法具有较好的稳定性和有效性。     

基于QPSO和极限学习的离散过程神经网络及学习算法

连续过程神经元网络在权函数正交基展开时, 基函数个数无法有效确定, 因此逼近精度不高. 针对该问题, 提出一种离散过程神经元网络, 使用三次样条数值积分处理离散样本和权值的时域聚合运算. 模型训练采用双链量子粒子群完成输入权值的全局寻优, 通过量子旋转门和非门完成种群进化. 局部使用极限学习, 通过Moore-Penrose广义逆计算输出权值. 以时间序列预测为例进行仿真实验, 结果验证了模型的有效性, 且训练收敛能力和逼近能力都有一定程度的提高.     

基于双链量子遗传算法的过程神经元网络训练

基于函数正交基展开的过程神经元网络训练,由于参数较多BP算法不易收敛。针对这一问题,本文提出了一种基于双链量子遗传算法的解决方案。首先按权值参数的个数确定染色体上的基因数,完成种群编码,然后通过染色体评估获得当前最优染色体,以该染色体为目标,用量子旋转门完成种群中个体的更新,用量子非门实现个体变异增加种群多样性。在该方法中,每条染色体携带两条基因链,因此可扩展对解空间的遍历性,加速优化进程。以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

一种变维搜索的量子粒子群优化聚类算法

针对PSO聚类算法需要预定聚类中心个数的问题,提出一种变维搜索解空间的量子粒子群优化聚类算法.该算法采用量子编码的方式实现双链并行搜索,加速寻优过程,避免了粒子在解空间边界过分聚集;设计了幅角相位旋转算子和变异算子,使幅角相位依变概率进行变异,提高了粒子群的多样性;在迭代过程中,动态更新了聚类中心的数量,使算法能够在不同维度的解空间中寻优.仿真实验表明,该算法的收敛速度和聚类精度得到一定的改善.     

基于传感器测量系统的EIT重构算法研究

在传感器进行电位测量的电阻抗成像(EIT)数据采集系统的基础上,通过在粒子群搜索策略中引入量子行为特性,提出一种自适应量子粒子群算法,该算法提高了最优解搜索的成功率。应用于求解EIT逆问题,仿真实验结果表明:与粒子群算法相比,量子粒子群优化算法能有效克服粒子群优化(PSO)算法易出现的早熟收敛问题,收敛速度快,并且能够有效地提高图像分辨率。     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

基于分组混沌PSO算法的模糊神经网络建模研究

为改善记忆功放建模的精度,且针对粒子群算法早期收敛速度较快,但在后期易陷入早熟收敛,局部最优等特点,提出了一种分组并行混沌粒子群优化算法（Grouping Parallel-Chaotic Particle Swarm Optimization,GP-CPSO）,将分组粒子群优化算法与混沌思想相结合,并用该算法优化动态模糊神经网络（Dynamic Fuzzy Neural Network,DFNN）参数,建立DFNN功放模型。引入分组的CPSO群算法,将种群划分为若干个组,每组单独计算,大大提高了收敛速度,同时将混沌思想运用到每个粒子当中去,避免早熟和局部最优,缩短了迭代时间。通过仿真结果可以看到,GP-CPSO优化后的动态模糊神经网络建模的训练误差减小到0.1以内,收敛速度提高32.5%,从而验证了这种建模方法有效且可靠。     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.     

Pso-Bp 耦合算法在矿井瓦斯突出预测中的应用

矿井瓦斯含量的预测模型是一个多变量、非线性的函数关系,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。将神经网络与粒子群算法有机地结合起来,以神经网络理论为基础,利用粒子群算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯含量预测模型,解决了Bp神经网络收敛速度慢、易陷入局部优化的缺陷。并在历史数据的基础上,建立遗传神经网络训练和检验样本集,利用MATLAB进行仿真,结果表明粒子群神经网络模型可靠性强,预测精度高。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

多自适应策略粒子群优化算法及应用

为了平衡粒子群优化算法的全局和局部搜索能力,提出了一种多自适应策略粒子群优化算法。该算法在粒子进化过程中,采用了基于粒子进化度和局部开启混沌搜索相结合的速度自适应调节策略。将算法应用于模拟电路故障诊断的BP神经网络训练中,有效地解决了常规BP算法收敛速度慢、易陷入局部极小的问题。仿真结果表明算法具有较快的收敛速度和较高的诊断精度。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。     

自适应变异粒子群算法优化BP神经网络在音乐分类中的应用

自适应变异粒子群算法具备了基本粒子群算法和遗传算法优点,用此算法寻找BP网络较好的网络权值和阈值,使得BP网络的全局误差最小化,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度高。仿真实验结果表明,本算法与传统的分类方法相比,具有更高的正确率．验证了自适应变异粒子群算法优化BP神经网络是一种有效的分类方法。