基于布谷鸟搜索算法优化神经网络的研究

【摘要】：人工神经网络已成功应用到许多领域,如模式识别、机器学习、信号处理和信息融合等,但是,如果神经网络的学习算法或拓扑结构选择不当,可能导致出现神经网络的预测准确度低的问题。为此,许多研究者开始将元启发式优化算法应用于神经网络的性能优化。布谷鸟搜索算法(Cuckoo Search, CS)是一种新型的元启发式搜索算法,其只有一个控制参数,且布谷鸟搜索算法寻优过程简单,因此能够很好地协调全局搜索(Exploration)和局部搜索(Exploitation)。本文将采用布谷鸟搜索算法应用于神经网络的权值和阈值优化。本文主要工作如下：本文在介绍了布谷鸟搜索算法和BP神经网络的基础上,提出了布谷鸟搜索算法优化BP神经网络的算法(CSBP),该算法以神经网络的训练误差为适应度函数,对神经网络的权值和阈值进行优化,它已成功应用到意大利葡萄酒分类的问题。仿真实验结果表明,CSBP神经网络的预测误差明显小于BP和GRNN算法。为提高CSBP神经网络运行效率和识别效果,本文对影响算法性能的主要参数进行了研究,通过一系列数值仿真实验得出,CSBP神经网络对最大迭代次数(Maxgen)、种群规模(NP)和发现概率(pα)这三个参数不敏感,进一步验证了本文所提的CSBP神经网络效率高、鲁棒性强。
【关键词】：元启发式优化算法 布谷鸟搜索算法 神经网络 分类
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP18