粒子群算法在神经网络非线性函数拟合中地应用.docxVIP

实用文档 粒子群算法在神经网络非线性函数 拟合中的应用 一、本文研究和解决的问题 在自动控制问题中， 系统辨识的目的是为了建立被控对象的数学模型。 多年来， 控制领 域对于复杂的非线性对象的辨识 一直未能很好的解决，神经网络所具有的非线性特性和学 习能力 使其在系统辨识方面有很大的潜力。为解决具有复杂的非线性、不确定性和不确知 对象的辨识问题开辟了一条有效的途径。 基于神经网络的系统辨识是以神经网络作为被辨识 对象的模型，利用其非线性特性，可建立非线性系统的静态或动态模型。理论上， 多层前馈 神经网络能够以任意精度逼近任意非线性映射。 但传统神经网络学习算法中存在的收敛速度慢、 容易陷入局部最优等缺点， 于是设计 了基于标准粒子群算法 的神经网络非线性函数拟合系统。 二、传统的 BP神经网络 BP 神经网络即采用误差反向传播算法的网络， 是一种至今仍然最为流行的前馈型神经网 络模型。 BP 神经网络有很强的非线性映射能力， 它能学习和存贮大量输入 - 输出模式映射关 系，而无需事先了解描述这种映射关系的数学方程。 只要能提供足够多的样本模式对供给网 络进行学习训练，它便能完成由 n 维输入空间到 m 维输出空间的非线性映射。 BP 学习算 法属于误差修正型学习， 其关键在于根据误差修正输出层和隐含层的连接权值。 其学习的基 本实现方法是基于最小平方误差准则和梯度下降优化方法来确定权值调整法则。 BP网络建模特点： 非线性映照能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。 并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。 自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知 识，记忆于网络的权值中，并具有泛化能力， 即将这组权值应用于一般情形的能力。神经网络的学习也可以在线进行。 数据融合的能力：神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的 工程技术（数值运算）和人工智能技术（符号处理） 。 多变量系统：神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统提供了一种通用的描述方式，不必考虑各子系统间的解耦问题。 实用文档 三、解决问题的思想与方法 神 网 学 算法中存在的收 速度慢、容易陷入局部最 等缺点， 了基 于 准粒子群算法的神 网 非 性函数 合系 ， 将神 网 中的 看作一个粒子， 通 粒子之 的 争与合作以完成网 的学 程，仿真 果表明，基于 BP 的神 网 学 算法在收 速度、辨 精度等方面要 于 的 BP神 网 。 粒子群 化算法（ PSO， Particle Swarm Optimization ）是 算智能 域，除了 群算 法、 群算法之外的一种群体智能的 化算法。 PSO 算法源于 捕食行 的研究， 捕食 ，每只 找到食物最 有效的方法就是搜 当前距离食物最近的 的周 区域。 PSO 算法首先在可解空 中初始化一群粒子， 每个粒子都代表 的一个潜在解， 用位置、 速度 和适 度 三 指 表示 粒子特征。 适 度 由适 度函数 算得到， 其 的好坏表示粒 子的 劣。 粒子的速度决定了粒子移 的方向和距离， 速度随自身及其他粒子的移 行 整，从而 个体在可解空 中的 。 粒子在解空 中运 ， 通 跟踪个体最 Pbest 和群体最 Gbest 更新个体位置， 个体最 Pbest 是指个体所 位置中 算得到的适 度 最好的位置，群体最 Gbest 是指粒子群中所有粒子搜索到的适 度最好的位置。 粒子每更新一次位置， 就 算一 次适 度 ，并且通 比 新粒子的适 度 和个体最 、群体最 的适 度 更新 Pbest 和 Gbest 的位置。 粒子位置和速度的 整是粒子群算法的关 。假 在一个 D 的搜索空 中，由 n 个 粒子 成的种群 X ( X1, X 2 , ?? , X n ) ，其中第 i 个例子表示 一个 D 的向量 X i (xi1, xi 2 , ?? , xiD )T ，代表第 i 个粒子在 D 搜索空 中的位置，亦代表 的一个潜在解。根据目 函数即可 算出每个粒子位置 Xi 的适 度 。第 i 个粒子 的速度 Vi (vi1, vi 2 , ?? , viD )T ，其个体极 P ( pi1, pi 2 , ?? , piD )T ， 种群的全局极 P ( pg1, pg 2 , , pgD )T 。 四、实验仿真结果 实用文档 实用文档 实用文档 五、程序 基本ＢＰ网络函数逼近程序 function [epoch