蚁群算法与神经网络的融合.ppt

发布时间：2022-06-12 发布人：admin 分类：说明书资料大小：0.22M 资料格式：ppt 举报版权申诉

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第1页.png

第1页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第2页.png

第2页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第3页.png

第3页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第4页.png

第4页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第5页.png

第5页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第6页.png

第6页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第7页.png

第7页 / 共19页

dbd63c91-70b8-443b-abba-4543549d54d7.ppt.pdf-第8页.png

第8页 / 共19页

文本预览

《优化理论》课程报告 1

提出了一种将蚁群算法与算法相融合共同完成反传神经网络训练的方法，ACO一BP算法。该算法首先采用蚁群算法对网络权值进行整体寻优，克服BP算法容易陷入局部最优的不足再以找到的较优权值为初值，采用BP算法做进一步的寻优，以提高网络的训练和预报精度。将ACO一BP神经网络用于函数逼近问题，并与BP神经网络、蚁群算法神经网络和遗传神经网络的逼近结果进行了比较，验证了该算法的有效性。《优化理论》课程报告 2

• 神经网络系统是由大量简单的处理单元（神经元）广泛互连而成的复杂网络系统，具有一定的学习、记忆和计算能力。神经网络具有一些显著特点如具有非线性映射能力，不需要精确的数学模型，易于软硬件实现等。多层感知器（MLP）网络是常见的神经网络模型之一。此类神经网络可以有多个隐层，基函数u(-)取线性函数，激活函数f(-)可以取多种形式。当所有计算节点的激活函数都取硬极限函数时称为多层离散感知器当隐层节点取 Sigmoidal函数时，就是著名的BP神经网络。《优化理论》课程报告 3

具有一个隐层的多层感知器的网络模型如图所示: 《优化理论》课程报告 4

BP算法是目前应用最为广泛的神经网络学习算法。 BP神经网络具有高度的非线性映射能力，已经证明一个层的网络能够以任意精度逼近一个连续函数一。 BP网络的隐节点的激活函数为函数，所以BP网络也称为激活函数为的多层感知器。输出节点的激活函数因用途不同而异当网络用于分类时，输出节点激活函数一般采用函数或者硬极限函数如果用于函数逼近时，输出节点的激活函数一般采用线性函数。《优化理论》课程报告 5

下面以批处理模式、包含两个隐层的BP 算法为例简单介绍其原理。设第一隐层有 n1个神经元，第二隐层n2有个神经元，对应的权矢量为w、w’、w’’，输入矢量为x、 x’、x’’。设有P个学习样本矢量，学习的目标是最小化如下均方差《优化理论》课程报告 6

• 输出层： • 中间隐层： (1) (2) (3) (4) 《优化理论》课程报告 7

• 第一隐层： (5) (6) 《优化理论》课程报告 8

分享到：

赞收藏

资料库

蚁群算法与神经网络的融合.ppt

相关推荐

课程资源

热门标签

最新资料