粒子群优化算法理论及应用剖析.ppt

基于PSO的神经网络训练方法 （2）确定粒子编码及初始化方式 （6-17） （6-16） 式中： ， 是隐含层的节点数， 为输入特征向量的维数， 表示群体中第 个粒子位置向量的第 维分量， 对应于RBF网络核函数参数， ， ， 。 基于PSO的神经网络训练方法 （3）确定粒子适应度函数 （6-18） 式中： 为第 个粒子的适应度函数值； 为核函数参数为 的情况下网络的平均误差平方和。 算法流程图 基于PSO的神经网络训练方法 实验结果与分析 实验影像采用第五章实验中的两组纹理样本，本文提取影像纹理样本的灰度共生矩阵特征、Laws纹理能量特征和小波变换特征中的5个特征，并将它们进行归一化处理。 基于PSO的神经网络训练方法 基于PSO的神经网络训练方法 实验结论 实验结果表明，传统的K均值算法没有得到最优的核函数参数，与K均值算法相比，本文方法具有较好的训练效果，能够得到较优的核函数参数，由此建立的RBF网络具有较高的分类精度。 PSO研究展望 PSO理论研究集中在算法收敛性分析上，很难对其收敛速度进行估计，对于算法性能，有待于进行更深入的理论研究。 如何根据影像处理