粒子群优化算法及其在神经网络中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 粒子群优化算法概述 | 第10-20页 |
| 1．1 基本粒子群算法 | 第10-12页 |
| 1．1．1 基本原理 | 第10-11页 |
| 1．1．2 算法流程 | 第11页 |
| 1．1．3 参数设置 | 第11-12页 |
| 1．2 全局模式与邻域模式 | 第12-13页 |
| 1．3 粒子群算法的改进途径 | 第13-17页 |
| 1．3．1 算法离散化 | 第14-15页 |
| 1．3．2 提高收敛速度 | 第15-16页 |
| 1．3．3 提高种群多样性 | 第16-17页 |
| 1．4 与其他进化算法的比较 | 第17-18页 |
| 1．5 具体应用 | 第18-20页 |
| 2 粒子群算法收敛性分析 | 第20-26页 |
| 2．1 实验分析 | 第20-21页 |
| 2．2 数学分析 | 第21-23页 |
| 2．3 收敛性证明 | 第23-25页 |
| 2．4 小结 | 第25-26页 |
| 3 两种改进的粒子群算法 | 第26-50页 |
| 3．1 生存密度粒子群算法(SDPSO) | 第26-29页 |
| 3．1．1 生存密度模型 | 第27-29页 |
| 3．1．2 引力斥力模型 | 第29页 |
| 3．2 速度变异粒子群算法(VMPSO) | 第29-33页 |
| 3．2．1 算法描述 | 第30-31页 |
| 3．2．2 收敛性分析 | 第31-33页 |
| 3．3 仿真实验及结果分析 | 第33-49页 |
| 3．3．1 基准测试函数 | 第33-35页 |
| 3．3．2 SDPSO与基本PSO的实验对比分析 | 第35-42页 |
| 3．3．3 VMPSO与基本PSO的实验对比分析 | 第42-49页 |
| 3．4 小结 | 第49-50页 |
| 4 粒子群算法在神经网络中的应用 | 第50-69页 |
| 4．1 人工神经网络 | 第50-54页 |
| 4．1．1 基本原理 | 第50-52页 |
| 4．1．2 网络学习与泛化 | 第52-54页 |
| 4．2 基于PSO的神经网络学习算法 | 第54-60页 |
| 4．2．1 算法设计 | 第54-56页 |
| 4．2．2 性能评价 | 第56-57页 |
| 4．2．3 仿真实验及结果 | 第57-60页 |
| 4．3 人脑认知状态分类 | 第60-68页 |
| 4．3．1 数据预处理 | 第61-63页 |
| 4．3．2 特征提取 | 第63-65页 |
| 4．3．3 神经网络训练 | 第65-66页 |
| 4．3．4 仿真实验 | 第66-68页 |
| 4．4 小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间发表学术论文情况 | 第73-74页 |
| 致谢 | 第74-75页 |
| 大连理工大学学位论文版权使用授权书 | 第75页 |
