原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第27卷第9期 计算机应用研究 Vo]．27No．9
2010年9月 Researchof
Application Computers Sep．2010
基于改进的PSO算法的
神经网络相关性剪枝优化
涂娟娟1’2，詹永照1，韩飞1
(1．江苏大学计算机科学与通信x-,t1学院，江苏镇江212013；2．江苏科技大学计算机科学与工程学院，江苏
镇江212003)
摘要：针对传统的神经网络训练算法收敛速度慢、易陷入局部最优的问题，提出了一种基于改进的分期变异
微粒群优化算法(sMpso)的神经网络相关性剪枝优化方法。SMPSO在初期使适应度过低的微粒发生变异，在
后期使停滞代数过高的个体极值和全局极值发生变异，后将SMPSO用于优化神经网络相关性剪枝算法。实验
结果表明，该方法与采用BP算法及标准PSO算法进行相关性剪枝相比，在训练收敛速度、剪棱效率及分类正确
率三方面都有较大提高。
关键词：神经网络；剪枝；微粒群优化算法
中图分类号：TPl83 文献标志码：A 文章编号：1001—3695(2010)09．3253．03
doi：10．3969／j．issn．1001．3695．2010．09．013
Neuralnetworkcorrelation basedon
pruningoptimization
PS0
improvedalgorithm
一 一
TU Feil
Juan．juanl．-，ZHANYong．zha01，HAN
(1．School
ofComputerScienceTelecommunicationEngineering，．^angsuUniversity，ZhenjiangJmngsu212013，China；2．SchoolofCompu—
ter＆yiellce＆Engineering，朐ngsuUniversityofScienceTechnology，Zhenj赫ngJiartgsu212003。China)
traditionalneuralnetwork andis tofallintolocal
Abstract：The algorithm
training convergesslowly easy optimum．In代-
tothese aneuralnetworkcorrelationmethod with
sponse shortcomings，thispaperpmposed pruningoptimizedimpmvodstaging
too
mutation swami mutate thathad lowfitnessat and
particle optimizationalgorithm(SMPSO)．SMPSOparticles earlystage
mutate and extreme
文档评论（0）