论文部分内容阅读
BP(Back Propagation)神经网络是目前最重要的神经网络之一,其结构简单、工作时状态稳定、并且易于硬件实现,被广泛应用于模式识别、分类预测、系统仿真和图像处理等诸多领域。但是,BP神经网络在广泛应用过程中被发现存在一些缺陷,比如对初始权值敏感、容易陷入局部极小值、隐含层结构难以确定等。针对这些问题,本文提出一种利用改进萤火虫群优化算法训练BP神经网络的权值和阈值的方法。萤火虫群优化算法是一种基于群体智能的优化算法,能较快地找到全局最优值。为了避免萤火虫群优化算法出现过早收敛、后期收敛速度慢和收敛精度不高等现象,本文提出一种基于混合变异的萤火虫群优化算法(HM-GSO)。该算法采用混沌变异和边界变异混合变异的方法来增加萤火虫种群的多样性,使得陷入局部极值的萤火虫能及时地跳出来,且不会出现过多萤火虫聚集边界的现象。运用六个标准测试函数进行实验,结果表明,改进后的萤火虫群优化算法比基本萤火虫群优化算法具有更高的寻优速度、寻优精度和收敛率。BP神经网络的初始权值和阀值是随机产生的,而这些初始值的整体分布对于网络是否会陷于局部极小值、网络的性能和拟合效果等都有着重要影响。利用改进的萤火虫群优化算法结合BP算法获得较好的网络初始连接权值和阈值,以此开始网络的学习,通过仿真实验表明,该混合优化算法在分类预测问题中有较高的测试精度和较好的拟合能力,避免了BP神经网络对初始值敏感和训练过程容易陷入局部极小值的问题,提高了BP神经网络的泛化能力、收敛速度和学习能力,验证了该优化算法的可行性和有效性。确定GDP的影响因子和预测评价函数,用经过混合变异的萤火虫群算法优化的BP神经网络建立南宁市GDP预测模型,结合收集的样本数据进行训练和测试,通过对预测结果的分析表明,该优化算法与其他算法比较具有更高的预测精度。论文在最后对所做工作进行了总结,并提出了今后的研究方向。