10.3969/j.issn.1672-9722.2022.11.005
一种蚁群算法优化的BP神经网络技术研究
BP神经网络被广泛用于分类与回归问题,对初值选取较敏感,易陷入局部最优;ACO-BP算法可用于改进神经网络的训练,提升全局寻优能力,但训练中网络预测性能易出现抖动.基于ACO-BP算法,引入核光滑方法,采用自适应信息素挥发率,优化神经网络的训练.使用四折交叉验证方法,将ACO-BP算法、BP算法与改进ACO-BP算法,应用于UCI数据库中三组数据集进行验证.改进算法的收敛速度与ACO-BP算法相近;对复杂问题预测性能显著优于ACO-BP算法.实验结果表明,与ACO-BP算法相比,改进ACO-BP算法在加速网络收敛的同时,具有较强的鲁棒性与全局寻优能力.
人工神经网络、蚁群算法、混合算法、神经网络训练、启发式信息
50
TP301.6(计算技术、计算机技术)
2023-02-22(万方平台首次上网日期,不代表论文的发表时间)
共5页
2373-2376,2460