具有自我约束能力的粒子群神经网络均衡算法.docVIP

具有自我约束能力的粒子群神经网络均衡算法 　　摘要：针对现有的神经网络存在网络误差较大这一问题，本文提出了一种具有自我约束能力的粒子群神经网络均衡算法；该算法根据粒子群的信息共享与全局搜索特性，来优化神经网络的寻优效果；其中为了保持较好的精度，算法在粒子的速度进行完善的同时对网络进行了适当的约束。实验结果表明，其实验结果与预期效果基本相符，能够在不同的信道下，保持较好的精度。 　　关键字：神经网络；粒子群；信息共享；全局搜索；寻优 　　中图法分类号：TP393 文献标识码：A 文章编号：2095-2163（2015）03- 　　Self-discipline Neural Network Equalization Algorithm Based on the Particle Swarm 　　ZHAO Huiqing 　　（Department of Information Science，Xinhua College of Sun Yat-sen University，Guangzhou 510520，China） 　　Abstract： Existing neural network has a large network error. In response to this problem， the paper puts forward self-discipline neural network equalization algorithm based on the particle swarm. The effect on neural network optimization is realized according to the information sharing and global search feature of particle swarm. And in order to maintain good accuracy， appropriate network constraints are also imposed. The results show that the experiment results are basically consistent with the expected results. It can maintain good accuracy at different channel. 　　Keywords： Neural Network； Particle Swarm； Information Sharing； Global Search； Optimization 　　0 引言 　　从20 世纪 80 年代中期以来，神经网络以其好的自组织与自学习的独特优势，现已广泛地应用于通信领域[1-3]。但通过研究现有的神经网络则不难发现，该系统在实际运用中过度依赖于训练算法与初始权值，从而导致算法陷入了局部的最优化；为此，人们提出了许多解决方案[4-7]。其中，基于粒子群优化算法的神经网络算法尤为突出；算法通过结合群体中粒子间的合作与竞争关系，来促使网络群体的智能寻优；这在很大程度上解决了算法的局部最优化问题[8-9]。但在实际的运用过程中，又进一步发现，算法依然存在需要改进的地方，即网络的适用性较小且精度不高等问题。 　　为此，本文提出了一种具有自我约束能力的粒子群神经网络均衡算法。算法依据神经网络与粒子群算法的特点[10]，将神经网络算法与粒子群算法有机地结合在一起，并通过两者间的互补，来提高网络的整体效率。研究中为了避免算法出现局部最优化问题，本文对网络中的搜索粒子进行了速度的约束；而后，为保证算法的稳定性与精确性，又对网络的搜索进行了约束，由此而保障每一网络路径的有效畅通。经由仿真实验，该算法能够获得相比其他算法更高的精度，且其实际应用性也更强。 　　1. 神经网络 　　神经网络通过模仿动物的行为特征，进而实现分布式并行信息处理；这一方法有效地解决了网络的信息传输问题，通过依靠网络系统的复杂程度与各节点的连通性，实现了大量数据的传输问题[11]。其中，神经网络的结构大致可以分为三层，即输入层，隐含层以及输出层。 　　假设 为输入层到隐层的连接权重， 为隐层到输出层的连接权重，其中 ， 。其数据传输原理与结构图如图1所示。 　　图1 神经网络结构图 　　Fig.1 Neural network structure diagram 　　在图1的神经网络中，隐层函数如式（1）所示： 　　（1） 　　输出层函数如式（2）所示： 　　（2） 　　其中， 为隐层的输入，而 为隐层的输出； 为输出层的输入，而 为输出层的输出。 表示输