一种混合PSO与神经网络算法的预测研究.pdfVIP

第21卷专辑 青岛大学学报(工程技术版) V01．21 Special JuI 2006 2006年7月 JOURNALOF Y QINGDAOUNIVERSITY(E＆T) 一种混合PSO和神经网络算法的预测研究 郭文，侯海燕，乔谊正 (山东大学控制科学与工程学院，济南250061) 摘要：首先用粒子群算法优化神经网络的参数(包括权值和偏置)，将粒子搜索过程中的 最优解解码赋给嘲络来建立基于粒予群优化的神经网络预测模型，这种混合算法将PSO全 局最优搜索和BP网络的局部最优搜索的优点结合起来有效的处理了BP劂络极易陷入局 部解、收敛速度慢的问题，最后将经PSO优化的神经网络通过IRIS花数据的分类预测结 果安验表明了该方法的有效性。 关键词；粒了群优化算法；BP神经例络；模式分类预测 正确的预测是进行科学决策的依据【II。预测的结 PSO和BP神经网络混合算法 果受很多条件例如模式复杂度、环境的影响而发生 变化，各个因素的作用机制难以用显式表达式来描述， 典型BP网络是一种包含输入层、隐含层和输出 是一个复杂的非线性问题。传统的预测方法如线性 层的多层前馈型网络，理论上已经证明三层神经网络 回归法、滑动平均(AR)法、专家经验预测法、灰色可以以任意精度逼近有理函数f31。如图(1)是一个具 系统模型(GM)等，均需要对过程进行实际建模，假设前有r个输入和一个隐含层的神经网络结构。由于BP 提比较多，在预测精度和收敛速度上还不够理想。近 网络训练采用的梯度下降算法，使网络极易陷于局 年来人工神经网络(ANN)理论的发展为解决这个问题部最优．在这里采用粒予群优化神经网络的参数(包 提供了更加有效的途径。人工神经网络模型需要考 括权重和偏置)，将粒予群优化的仝局最优搜索}IIBP 虑的只是选择合适的输入输出量和拓扑结构就能建 刚络的局部最优搜索好的特点结合起来，有效的提 立仿真模型，避免了人为假设的弊端，能够较好的满 高网络的精度、收敛速度，改善了网络的学习能力。 足预测的精度和速度，是一种具有良好前景的技术。 BP神经嘲络是目前应用最广的一种网络，被广泛的麻 用于预测评估、故障诊断Ⅲ和函数优化等领域。BP 算法的优点是结果精度高，并行计算，最主要的缺 ^jI s2Xt 点是易陷入局部极小、收敛速度慢、存在网络“麻痹 ”现象等。目前对BP神经网络也有很多的改进，例如 图I具有，个输入和一个隐含层的神经网络结构图 带动量项的BP网络等，但是它对初始值的选择要求比 粒子群优化算法是一种新的进化计算技术。由 较高，初始值太箢近局部极小值和学习率太小，网络 均没有足够的能量跃过局部极小值点，造成全局最优 全局搜索的能力。它是对鸟群的女Ⅱ食过程中个体行 性能的下降，文章中粒子群优化的BP神经网络混合算 为以及个体之问协作行为的模拟研究的结果。PSO 法结合了粒了群的全局最优搜索和神经网络局部最 每个优化问题的解都有一个由被优化的函数决定的 优搜索的特点，能较好的克服上述BP算法的缺点，并 适应值，PSO初始化为一群随机粒子，每个粒子有 且使网络具备较强的鲁棒性，实验仿真的结果表明 的速度和位置，然后粒子通过不断的更新自己的位 了这种方法