群体智能算法在ANNs中的研究与应用

论文摘要

近年来,随着进化计算研究热潮的兴起,人们逐渐将进化计算与人工神经网络相结合,利用各种进化方法去训练神经网络。由于进化算法具有较强的全局收敛能力和较强的鲁棒性、且不需要借助问题的特征信息,如导数等梯度信息。因此,将两者相结合,不仅能发挥神经网络的泛化映射能力,而且能够提高神经网络的收敛速度及学习能力。本文对智能算法进行了理论分析与方法改进,并研究了小波神经网络的原理及其网络结构,然后将二者结合,运用到实践当中,具体内容如下:1)首先对粒子群算法、量子粒子群算法的基本原理进行研究,为进一步的学习应用提供了理论基础。2)针对量子粒子群算法搜索后期多样性损失,不能有效逃离局部最优的问题,本文在量子粒子群算法搜索过程中采用边界变异和基于混沌搜索的量子粒子群算法。通过实验仿真表明,改进的量子粒子群算法的性能确实有所提升。3)在学习了有关小波神经网络的知识后,对小波神经网络的网络结构及小波基都有了进一步的认识,最终选择Legendre小波神经网络作为本文的建模网络结构。这是由于Legendre小波在区间[0,1)上具有分段表达式并且为多项式的特点,因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。4)将基于边界变异的量子粒子群算法、量子粒子群算法和粒子群算法分别用来训练Legendre小波神经网络,并将训练后建立的网络模型用于径流预测和异常检测。通过实验表明,边界变异的量子粒子群算法建立的Legendre小波神经网络模型,具有收敛精度高,速度快等特点,具有一定的实用价值。本文的研究结果表明,基于边界变异的量子粒子群算法无论是在收敛精度还是速度方面,都要比量子粒子群算法和标准粒子群算法要好些;当用它们训练Legendre小波神经网络,并应用到实例当中时,得到的实验结果也表明了类似的结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 群体智能算法的研究概况
• 1.3 人工神经网络的研究概况
• 1.4 论文的主要工作
• 第二章 人工神经网络概述
• 2.1 人工神经元模型
• 2.2 人工神经网络的构成
• 2.3 人工神经网络的学习
• 2.4 小波神经网络
• 2.4.1 小波分析简介
• 2.4.2 小波神经网络的提出
• 2.4.3 小波函数的选取
• 2.4.4 小波神经网络面临的挑战
• 第三章 粒子群算法及其改进
• 3.1 基本粒子群算法
• 3.1.1 算法原理
• 3.1.2 算法流程
• 3.2 几种改进粒子群算法
• 3.2.1 带有惯性因子的粒子群算法
• 3.2.2 带有收缩因子的粒子群算法
• 3.2.3 基于遗传思想改进粒子群算法
• 3.2.4 利用小生境思想的粒子群算法
• 第四章 基于边界变异的量子粒子群算法和混沌量子粒子群算法
• 4.1 粒子群算法的缺点
• 4.2 量子粒子群算法优化算法（QPSO）
• 4.2.1 算法模型
• 4.2.2 具有量子行为的粒子群算法的优点
• 4.3 基于边界变异的量子粒子群优化算法
• 4.3.1 算法描述
• 4.3.2 实验结果分析
• 4.4 混沌量子粒子群优化算法
• 4.4.1 混沌
• 4.4.2 基于群体适应值方差的早熟判断机制
• 4.4.3 混沌量子粒子群算法
• 4.4.4 实验设置与实验结果
• 第五章 Legendre 小波神经网络
• 5.1 Legendre 小波
• 5.2 Legendre 小波神经网络的结构
• 5.3 BP 算法训练Legendre 小波神经网络
• 第六章 基于QPSOB 的Legendre 小波神经网络在径流预测中的应用
• 6.1 径流
• 6.1.1 径流的简介
• 6.1.2 研究意义
• 6.2 基于QPSOB 的Legendre 小波神经网络（LWNN）在径流预测中的应用
• 6.2.1 某气象站年径流预测实例分析
• 6.2.2 适应度值和数据预处理
• 6.2.3 PSO-LWNN 算法流程设计
• 6.2.4 QPSO-LWNN 算法流程设计
• 6.2.5 QPSOB-LWNN 算法流程设计
• 6.2.6 实验结果及分析
• 6.3 小结
• 第七章 基于QPSOB的Legendre小波神经网络在异常检测中的应用
• 7.1 异常入侵检测简介
• 7.2 基于QPSOB 的LWNN 在异常检测中的应用
• 7.2.1 实验数据描述
• 7.2.2 原始数据中网络连接信息预处理
• 7.2.3 数据集描述
• 7.2.4 实验数据预处理
• 7.2.5 实验结果及分析
• 第八章 总结与展望
• 8.1 工作总结
• 8.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文