论文部分内容阅读
自上世纪80年代以来,智能优化算法(如人工神经网络、混沌算法、遗传算法等)通过模拟或揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路和手段,并在科学、经济以及工程领域得到了广泛应用。粒子群优化算法是一种基于种群搜索策略的自适应随机算法。作为智能优化算法中的一种,它可用于求解大部分的优化问题,并在工程实践中表现出巨大潜力,现已广泛应用于神经网络、模糊系统控制、模式识别等多个领域。 本文对粒子群算法的收敛性进行分析,阐述了过早收敛问题的产生原因,并对此给出了生存密度粒子群(SDPSO)与速度变异粒子群(VMPSO)两种改进型算法。SDPSO以自然界和物理界的基本原理为导向,通过提高种群多样性的方法使算法获得持续搜索能力。实验结果表明,该算法能有效克服过早收敛问题,并有助于增大种群跳出局部极值的几率。VMPSO对粒子每一维上的速度进行操作,从而将在高维度空间上的搜索转化为在每一维上分别进行搜索。实验结果显示,对于30维Griewank和Rastrigin多模态函数,VMPSO均已找到全局最优值0,而且对于所有被测函数,其整体性能指标均超出基本PSO多个数量级。此外,VMPSO对高维度函数的优化效果更加明显。 本文将SDPSO与VMPSO算法作为学习算法用于神经网络训练,使用三组标准分类数据集进行测试,并与其它几种经典学习算法进行比较,结果表明:基于SDPSO与VMPSO算法的感知机网络在分类准确率上明显优于梯度算法、BP算法以及遗传算法。本文给出了一套用神经网络进行人脑认知状态分类的解决方案,并使用基于改进粒子群算法的感知机网络建立并训练了一个认知状态分类器,实现对汉语拼音与汉字字形这两种汉语认知状态的分类。该方案不只局限于认知状态分类,通过适当扩展可用于求解其它分类问题。