论文部分内容阅读
人工神经网络是一种抽象模拟生物神经系统组成结构、工作方式以及系统功能的运算模型。其中,BP神经网络是运用最为广泛的一种人工神经网络。在实际的应用中,BP神经网络存在着易陷入局部极值的问题。当前对此问题的解决方法主要分为两大类:第一类是改进BP算法原理;第二类是采用其它领域的理论来优化BP算法,如用人工鱼群算法优化BP神经网络就属于第二类解决方法,但人工鱼群算法在复杂的应用场景下,其全局寻优能力和寻优精度都有待提高。因此,本文针对这种不足,先对人工鱼群算法进行改进,再用改进的人工鱼群算法来优化BP神经网络,以提高BP神经网络克服局部极值实现正确输出的能力。本文主要工作如下:第一,为提高人工鱼群算法的寻优功能,本文提出了一种基于自适应动态邻域结构的人工鱼群算法(ADAFSA)。在基本人工鱼群算法中,视野和步长是固定不定的,人工鱼的邻域结构也是由视野来确定的,这会影响人工鱼的全局寻优能力和寻优精度。ADAFSA主要有以下四点改进:采用一种基于距离和迭代次数的方式来构建更有效的人工鱼邻域结构;将视野和步长设置为可根据邻域结构信息自适应调整的变量;去掉拥挤度因子和增加公告板并改变人工鱼的聚群、追尾和觅食行为方式;重新设计了算法的步骤和流程。仿真实验表明ADAFSA的全局寻优能力和寻优精度都得到了提高。第二,采用本文所提出的ADAFSA来对BP神经网络进行优化(ADAFSA-BPNN)。先利用ADAFSA的全局搜索能力,将BP神经网络的初始权值和阀值调整至全局最优值附近,然后再执行BP算法训练网络的权值和阀值。函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能。第三,将本文所提出的ADAFSA-BPNN应用于语音信号的识别当中。首先,设计基于ADAFSA-BPNN的语音识别流程;然后,提取并处理好四类音乐特征信号的数据;最后,进行识别仿真实验。实验结果表明将ADAFSA-BPNN用语音识别中的效果比较好。