改进PSO-BP算法在函数拟合中的应用

魏巍; 师娅

Chinese

您当前的位置：

首页 >

文章列表页 >

改进PSO-BP算法在函数拟合中的应用

更新时间：2026-09-04

- 改进PSO-BP算法在函数拟合中的应用
- The Application of Improved PSO-BP Algorithm in Nonlinear Function Approximating
- 微电子学与计算机 2017年34卷第9期页码：112-115
- 作者机构：
  
  1. 西安邮电大学机构物联网与两化融合研究院,陕西,西安,710061
  2. 西安邮电大学通信与信息工程学院,陕西,西安,710121
- 作者简介：
- 基金信息：
  
  陕西省教育厅科学研究计划资助项目 12JK0541
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
魏巍, 师娅. 改进PSO-BP算法在函数拟合中的应用[J]. 微电子学与计算机, 2017, 34(9): 112-115.

WEI Wei, SHI Ya. The Application of Improved PSO-BP Algorithm in Nonlinear Function Approximating[J]. 2017, 34(9): 112-115.
魏巍, 师娅. 改进PSO-BP算法在函数拟合中的应用[J]. 微电子学与计算机, 2017, 34(9): 112-115. DOI：

WEI Wei, SHI Ya. The Application of Improved PSO-BP Algorithm in Nonlinear Function Approximating[J]. 2017, 34(9): 112-115. DOI：

摘要

提出一种基于粒子群的改进BP算法

该算法在网络的学习过程中首先利用粒子群算法的全局搜索性

引入非线性惯性系数找到最优权值

其次重新给部分粒子参数赋值

增加粒子多样性

从而避免早熟收敛

进一步完善了原有粒子群算法.建立非线性函数的BP神经网络模型

并利用MATLAB软件对其进行拟合.仿真结果表明

改进算法对于非线性函数有良好的拟合能力

拟合误差相对减小.

Abstract

An improved BP algorithm based on PSO is proposed.The algorithm in the network learning process using particle swarm algorithm global search

nonlinear inertial coefficient to find the optimal weights

then back to the part of the particle parameter assignment

so as to avoid premature convergence

further improve the original particle swarm optimization algorithm. The BP neural network model is constructed based on the dimensional nonlinear function.The simulation results show that the improved algorithm has good fitting ability to two dimensional nonlinear function and fitting error is improved.

关键词

Keywords

references

基于MATLAB的最小二乘曲线拟合仿真研究[J]. 沈阳师范大学学报(自然科学版), 2014, 32(1): 75-79.

Shi Y, Eberhart R C. A modified particle swarm optimizer[C]//IEEE International Conference Evolutionary Computation. Anchorage, Alaska, 1998: 4-9.

SAXE A M, PANG W, KOH Z, et al. On random weightsand unsupervised feature learning[C]// Proceedings of 2011 International Conference on Machine Learning. [S. l. ]: ACM, 2011: 1089-1096.

Jiang L, Wu J. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting[C]// Proceeding: ACⅡDS. IEEE, 2013: 79-88.

徐富强, 钱云, 刘相国. GA-BP神经网络的非线性函数拟合[J]. 微计算机信息, 2012, 28(7): 148-150. DOI: 148

胡海波, 黄友锐. 基于混合PSO神经网络的自整定分数阶PID控制器[J]. 微电子学与计算机, 2010, 27(5): 157-166. DOI: 157

COLLOBERT R, WESTON J, BOTTOU L, et al. Natural language processing(Almost)from scratch[J]. Journal of machine learning research, 2011, 12(1): 2493-2537. DOI: 2493

李君艺, 张宇华. 基于BP神经网络的非线性函数逼近及SAS实现[J]. 现代计算机, 2013, 1(3): 7-10. DOI: 7

田雨波, 潘朋朋. 混合粒子群算法优化神经网络的研究[J]. 微电子学与计算机, 2011, 28(6): 156-159. DOI: 156

王海峰, 刘晶. 全局最优位置变异粒子群优化算法[J]. 青岛理工大学学报, 2009, 30(5): 93-97. DOI: 93

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于区块链的AI生成内容溯源框架设计研究

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

超低功耗实时时钟电路的设计

V型沟槽SiC中子探测器的蒙特卡洛分析

低功耗设计的双链电源关断策略的实现与验证