论文部分内容阅读
人工神经网络是近年来的热点研究领域,涉及到电子科学与技术、信息与通信工程、计算机科学与技术、控制科学与技术等诸多学科,其应用领域包括:建模、时间序列分析、模式识别和控制等,并在不断的拓展。神经网络的学习算法一直是人工神经网络理论研究和应用领域中的一个重要研究内容,尤其是对前馈神经网络学习算法的研究,至今没有一个十分理想的解决办法。本论文以前馈神经网络中目前应用最广、最具代表性的BP神经网络为研究对象,对BP算法作了较为深入的研究,提出了两种改进算法:FAGABPNN(Factor Analysis GeneticAlgorithm Back Propagation Neural Network)算法和IAPSOBPNN(Particle SwarmOptimization with Immunity Algorithm Back Propagation Neural Network)组合训练算法。FAGABPNN算法是针对BP神经网络在复杂样本分类中存在网络结构复杂、分类能力低的问题而提出,其基本思想是:用因子分析(FA)降低输入样本的维数,用遗传算法(GA)改进BP算法,形成一种具有较强分类能力的BP神经网络算法。IAPSOBPNN组合训练算法是针对BP神经网络存在易陷入局部极小点、泛化能力低的问题而提出,用免疫系统的信息处理机制改进粒子群算法形成免疫粒子群算法(IAPSO),然后把免疫粒子群算法和BP算法组相结合形成组合训练算法,用此组合训练算法高效搜索BP神经网络参数。本论文共分为七章,第一章介绍了本论文的研究背景、研究内容以及研究意义;第二章介绍了BP神经网络;第三章介绍了遗传算法;第四章介绍了粒子群算法;第五章针对BP神经网络在复杂样本分类中存在网络结构复杂、分类能力低的问题进行了研究,用因子分析(FA)降低输入样本的维数,用遗传算法(GA)改进BP算法,提出了FAGABPNN算法;第六章针对BP神经网络存在易陷入局部极小点、泛化能力低的问题进行了研究,将免疫粒子算法和BP算法结合用来搜索BP神经网络参数,提出了IAPSOBPNN组合训练算法;第七章对本论文的主要工作进行了总结,并展望了进一步的研究工作。