基于粒子群算法的神经网络学习方案设计及其在4-CBA建模中的应用
多层前向型神经网络是目前过程控制中应用最广泛的神经网络结构之一.典型的BP神经网络结构由输入层、中间层、输出层构成.在网络学习过程中,输入信息从输入层经隐含层逐层处理,最后传向输出层,每一层神经元的状态只会影响下一层神经元的状态.如果在输出层不能得到期望的输出值,则转向反向传播,将输出的误差信号沿原来的连接通路由输出层经隐含层逐层返回,并通过修改各层神经元之间的连接权值,使误差函数达到最小.但是由于BP算法的实质是梯度下降法,它只是利用误差函数一阶梯度的信息确定下一步训练的方向,因此收敛速度比较慢,容易陷入局部最小点.本文研究，1基子PSO算法的神经网络学习方案设计，2仿真研究，3基于PSO优化网络结构的BP算法在4-CBA软测量建模中的应用。
粒子群算法 神经网络 SRC准则 数据建模 误差反传算法
宁国忠 颜学峰 钱锋
华东理工大学信息科学与工程学院,上海,200237
国内会议
上海
中文
263-267
2006-12-19（万方平台首次上网日期，不代表论文的发表时间）