基于PSO的BP神经网络研究Word文档格式.doc

1、关键词 神经网络；BP网络；PSO优化算法；均方差The Researching of BP Neural Networks Based on PSODU Hua-ying1（Information Technology Office, Huizhou Tourism School, Huizhou 516057 China）Abstract For feed-forward neural network ,BP algorithm is among the most important neural network algorithms. But, BP algorithm has its

2、local minima, it also may spend much training time and training epochs, and may also get non-anticipant convergence. Here, BP neural network based on PSO can reduce the training time and training epochs, and the convergence is also improved. Key words ANN；BP neural network；Particle Swarm Optimizatio

3、n（PSO）；mean-square error0 引言人工神经网络（Artificial Neural Network, ANN）是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其作出的反应又从输出端传到相连的其它神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由若干简单元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。BP神经网络是一种多层前向反馈神经网络。BP网络可以根据误差的反向传播来纠正权值和阈值，在许多领域取得了成功，但是它有可能陷入局

4、部极小，不能保证收敛到全局极小点。粒子群优化算法（Particle Swarm Optimizer, PSO）是一种进化计算技术，源于对鸟群捕食的行为研究，由Jim Kennedy于1995年提出并成功用于函数优化。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适应值（Fitness Value），每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。如果用粒子群算法对神经网络的权值进行训练，会得到较快的收敛速度，而且可以避免局部最值的出现。1 PSO算法PSO算法1-3首先初始化一群随机粒子，然后通

5、过迭代找出最优解。每一次迭代过程中，粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所能找到的最优解，即个体极值Pbest， 另一个是整个群体目前找到的最优解，即全局极值Gbest。假设在一个D维搜索空间中有n个粒子组成一粒子群。其中第i个粒子的空间位置为Xi=（Xi1,Xi2,XiD）,i=1,2,n。第i个粒子所经历的历史最佳位置为Pi=（Pi1,Pi2,PiD），每个粒子的飞行速度为Vi=（Vi1,Vi2,ViD），i=1,2,n。在整个粒子群中，所有Pi所记录的最佳解位置为Pg=（Pg1,Pg2,PgD）。每一代粒子的第d维（1dD）根据如下方程变化：Vij（t+1）=（t）Vij（

6、t）+c1*rand（）*（Pij（t）-Xij（t）+c2*rand（）*（Pgj（t）-Xij（t） （1）Xij（t+1）=Xij（t）+Vij（t+1） （2）（t）= max-t（max-min）/tmax （3）其中，j=1,2,d；参数c1和c2分别是学习率，称为加速因子；rand（）为0，1范围内变化的随机数；t为迭代次数，tmax为最大迭代次数；min为最小惯性权，max为最大惯性权。2 BP神经网络BP网络4是误差反向传播（Back Propagation）网络。最初由Werbos开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的最小均方差值

7、。它是一种多层前向网络，采用最小均方差学习方式。当参数适当时，此网络能够收敛到较小的均方差，是目前应用最广的网络之一。它可用于语言综合，识别和自适应控制等用途。B-P模型是一种用于前向多层神经网络的误差反向传播学习算法，由鲁梅尔哈特（D.Ruvmelhar）和麦克莱伦德（McClelland）于1985年提出。B-P算法用于多层网络，网络中不仅有输入层节点及输出层节点，而且还有一层至多层隐层节点。图2所示模型是只有一层隐层节点的BP网络。输入层输出层隐层x1x2xny1y2yn图1 BP网络当有信息向网络输入时，信息首先由输入层传至隐层节点，经特性函数作用后，再传至下一隐层，直到最终传至输出层

8、进行输出，其间每经过一层都要由相应的特性函数进行变换，节点的特性函数通常选用S型函数，如公式（4）所示。 （4）BP网络具有多个输出值，可以进行非线性分类，其缺点是训练时间比较长，易陷于局部极小，且收敛的速度依旧慢。BP是广为使用的多层前馈人工神经网络。然而，隐层节点数的选择是一个较为复杂的问题，根据前人的经验，可以参照以下公式（5）进行设计5： （5）其中，n为隐含层神经元数，ni为输入神经元数，n0为输出神经元数，a是110之间的常数。隐含神经元数对网络性能影响有直接的关系。隐层节点数太少，网络可能训练不出来，因为隐层节点数少时，局部极小就多，不能识别以前没有看到过的样本，容错性差，增加隐

9、层节点数可能改善网络与训练组匹配的精确度，但是隐层节点数太多又使学习时间过长，误差也不一定最佳。因此，隐含层网络的选择原则是在能够解决问题的前提下，再加上一个到两个神经元以加快误差的下降速度即可。3 基于PSO的BP网络用PSO算法训练BP网络时，定义粒子群的位置向量X的元素是BP网络的全体连接权和阈值。首先初始化位置向量X，然后用PSO算法搜索最优位置，使如下（6）所示的均方误差指标，即适应值达到最小。6 （6）其中，N是训练集样本数；是第i个样本的第j个网络输出节点的理想输出值；是第i个样本的第j个网络输出节点的实际输出值；C是网络输出神经元的个数。4 结束语BP网络由于可以根据误差的反向

10、传播来纠正权值和阈值，所以在许多领域取得了成功，但是它有可能陷入局部极小，不能保证收敛到全局极小点。另外，反向传播训练次数多，收敛速度慢，使其学习结果有时不能令人满意。参考文献1 李林宜，李德仁基于粒子群优化算法的航空影像纹理分类J计算机工程2008，34（3）：196-198.2 曾万里，危韧勇，陈红玲. 基于改进PSO算法的BP神经网络的应用研究J计算机技术与发展2008，18（4）：49-51.3 黄丽君，郭文忠基于粒子群优化的BP神经网络预测方法及其应用研究J漳州师范学院学报（自然科学版）2008，58（1）：32-35.4 朱大奇 史慧. 人工神经网络原理及应用M. 科学出版社. 20065 胡方明，简琴，张秀君. 基于BP神经网络的车型分类器J. 西安电子科技大学学报（自然科学版）. 2005，32（3）：439-441.6 潘昊，韩小雷粒子群优化的BP网络学习算法研究及应用J计算机工程与应用2008， 44（9）：67-69.