改进PSO的神经网络数据融合技术研究

论文摘要

数据融合是许多传统学科和新兴工程领域相结合而形成的一个新的前沿学科,超越了在军事领域的应用,已经在许多领域中得到了广泛的应用。人工神经网络是计算智能和机器学习研究最活跃的分支之一,它是从人脑的生理结构出发,探讨人类智能活动的机理。基于神经网络数据融合是当前研究的热点问题,基于反向传播神经网络便是其中研究方向之一。虽然反向传播神经网络得到了广泛的应用,但它也存在不足,主要有训练时间较长,易陷入局部极小值,训练过程中学习新样本时有遗忘旧样本的趋势等。针对上述问题,本文探讨了将粒子群算法用于神经网络数据融合的网络训练,加快了网络的训练收敛速度和收敛精度,进而提高了训练速度和实际应用的精确度。PSO是近年来被广泛关注和研究的一种智能优化算法,该算法相对于遗传算法简单,而且容易实现,没有交叉和变异操作,需要调整的参数少,收敛速度快。针对基本PSO算法在多峰函数寻优时出现的“早熟”现象,本文提出一种引入进化梯度的种群小生境粒子群算法。该算法通过划分小生境保持粒子群的多样性,引入进化梯度以加快收敛速度,并增强粒子群优化算法跳出局部最优解的能力。将PSO用于神经网络的优化得到广泛的关注,本文将引入进化梯度的种群小生境粒子群算法引入到权值优化问题,实现了高维数权值空间的按维细致搜索,提高了收敛精度。通过五个基准测试函数的测试表明:引入进化梯度的种群小生境粒子群算法在多峰函数优化上比标准粒子群算法有很大的提高,在收敛速度和精度上也比种群小生境粒子群算法有所提高,是一种寻优能力、效率和可靠性更高的优化算法,其综合性能比标准粒子群算法有显著提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 课题研究的背景和意义
• 1.3 国内外研究历史及现状
• 1.4 本文的工作及其结构安排
• 第2章 数据融合概述
• 2.1 数据融合的概念及特点
• 2.1.1 数据融合的概念
• 2.1.2 数据融合的特点
• 2.2 数据融合4元素和一般模型
• 2.3 数据融合系统体系结构
• 2.4 数据融合的应用概况
• 2.5 本章小结
• 第3章 基于神经网络的数据融合
• 3.1 神经网络的基本概念和模型
• 3.2 BP神经网络数据融合算法研究
• 3.2.1 基于BP算法的多层前馈网络模型
• 3.2.2 BP学习算法
• 3.2.3 BP网络的训练过程
• 3.3 神经网络在数据融合中的应用
• 3.4 本章小结
• 第4章 标准粒子群算法及其改进
• 4.1 粒子群优化算法
• 4.1.1 粒子群算法的基本原理
• 4.1.2 标准粒子群算法
• 4.1.3 标准粒子群算法的流程
• 4.2 粒子群算法的改进
• 4.2.1 粒子群算法的发展
• 4.2.2 引入进化梯度的种群小生境粒子群算法的基本思想
• 4.2.3 引入进化梯度的种群小生境粒子群算法的描述
• 4.3 利用种群小生境粒子群算法训练的BP算法
• 4.3.1 BP神经网络的缺点
• 4.3.2 进化神经网络
• 4.3.3 神经网络的设计
• 4.4 本章小结
• 第5章 实验及结果分析
• 5.1 改进粒子群算法仿真实验
• 5.1.1 粒子群算法的基准测试函数
• 5.1.2 实验结果分析
• 5.2 数据融合应用实例及仿真
• 5.2.1 实验数据
• 5.2.2 实验结果
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢