&& 查看话题
BP神经元网络训练精度无法提高，求教！
小弟在做一个两输入一输出的BP神经元网络模型，代码如下
x1=xlsread('x.xls');
x2=xlsread('x2.xls');
y1=xlsread('y.xls');
y2=xlsread('y2.xls');
net=newff(minmax(x),,{'tansig','logsig','purelin'},'trainlm');
net.trainParam.epochs=10000;
net.trainParam.lr=0.1;
net.trainParam.goal=0.1;
net=train(net,x,y);
y=sim(net,P_test)
但是训练的进度很差，训练结构如图。请问是什么原因呢？谢谢
QQ截图53.png
1、没看到你的程序有归一化的步骤，不知道你的输入规整不规整；
2、你的设计太简单。既没有检验数据、也没有变化数据
3、精度要球太低，0.01都可以
4、层节点设置的也不好，96的中间层节点数不太对，你这个21两头的话，中间都设为5就行 : Originally posted by 看看兽 at
1、没看到你的程序有归一化的步骤，不知道你的输入规整不规整；
2、你的设计太简单。既没有检验数据、也没有变化数据
3、精度要球太低，0.01都可以
4、层节点设置的也不好，96的中间层节点数不太对，你这个21两头 ... 请问如何检验数据或者变化数据？能不能详细一点？非常感谢！ : Originally posted by wuxianyang at
请问如何检验数据或者变化数据？能不能详细一点？非常感谢！... 就是抽出一部分你的数据当做检验数据和变化数据，你这个网络比较小，不用变化数据也可以，但是每个网络必须要检验数据，不然，你怎么知道你的训练出没出问题。两者的比例也不固定，你随机抽取20%作为检验数据就行，其余的当做输入数据，随机抽取函数matlab里有，我也忘了，你百度下就行。 : Originally posted by 看看兽 at
就是抽出一部分你的数据当做检验数据和变化数据，你这个网络比较小，不用变化数据也可以，但是每个网络必须要检验数据，不然，你怎么知道你的训练出没出问题。两者的比例也不固定，你随机抽取20%作为检验数据就行， ... 好的，非常感谢！懂你的意思了。 : Originally posted by 看看兽 at
1、没看到你的程序有归一化的步骤，不知道你的输入规整不规整；
2、你的设计太简单。既没有检验数据、也没有变化数据
3、精度要球太低，0.01都可以
4、层节点设置的也不好，96的中间层节点数不太对，你这个21两头 ... 如果是32，中间设几比较好？ : Originally posted by 风满楼s at
如果是32，中间设几比较好？... 这个没有固定的算法，可以用大数定理，计算出的经验值可以作为参考
var cpro_id = 'u1216994';
欢迎监督和反馈：本帖内容由
提供，小木虫仅提供交流平台，不对该内容负责。欢迎协助我们监督管理，共同维护互联网健康，如果您对该内容有异议，请立即发邮件到
联系通知管理员，也可以通过QQ周知，我们的QQ号为：8835100
我们保证在1个工作日内给予处理和答复，谢谢您的监督。
小木虫，学术科研第一站，为中国学术科研研究提供免费动力
广告投放请联系QQ： &
违规贴举报删除请联系邮箱： 或者 QQ:8835100
Copyright &
eMuch.net, All Rights Reserved. 小木虫 版权所有&&&权值和阈值
的翻译结果:
查询用时：2.054秒
&在分类学科中查询
In this paper a new learning algorithm of perception with variable paces is given which adjusts its weights and threshold values according to the following formula:
W(k+1)=W(k)-2W(k)XT
给出一种快速感知器学习算法——变步长感知器学习算法 ,这种学习算法依公式 W(k+1) =W(k) -2 W(k) XTk X(k)调整权值和阈值。
Considering that the neural network is prone to get local extremum and its convergence speed is slow, it utilizes the excellent global searching ability of genetic algorithm to optimize the initial weights and threshold of neural network.
针对神经网络训练速度慢、容易陷入局部极值的情况,首先利用具有良好全局搜索能力的遗传算法来优化BP神经网络的各层初始权值和阈值,为后续神经网络的搜索定位出一个优化的搜索空间。
In this scheme, the inputs of hidden layer neurons are acquired by using the gradient descent method, and the weights and threshold of each neuron are trained using the linear least square method.
在该方案中，通过梯度法获取隐层神经元的输入，使用线性最小二乘法训练各神经元的权值和阈值。
First,the initialized weights and threshold of BP neural network(BPNN) was optimized with GA,and the network was trained by modifying the weights and threshold in the negative gradient direction.
以GA优化BP网络的初始权值和阈值,按负梯度方向修正网络权值及阈值,对网络进行训练。
By using those parameters, the structure weights and threshold value of the rockburst neural network model is optimized and obtains non-all-connected optimized neural network model.
利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。
Take the data gathered by multi-sensors on spot as input
sample of the neural network model,and the weight
and threshold are dynamic modified by network training in order to accomplish complex nonlinear modeling.
通过现场设置的多个异质传感器采集数据,作为该神经网络模型的输入训练样本数据,网络训练中动态修改网络权值和阈值,从而完成复杂的非线性建模功能。
BP model could identify the relationship between sawing power and tangential force, the simulated curve is relatively stable, given the initial weight and threshold value at random, which proves a single hidden layer with the structure of 2-5-3 can preferably reflect the rules involved in the sawing process and filter the noise produced in the sawing process.
BP神经网络能识别并记住功率与切向力之间的关系，随机给定初始权值和阈值，仿真曲线能保持相对的稳定形状，表明单隐层2—5—3的BP模型结构能较好地反映锯切加工中内含的规律，过滤加工中随机产生的噪声。
Defects of conventional BP algorithm,i. e. the slow convergence of weight and threshold learning,premature result,and the slow training speed of GA,are settled by it.
该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。
Thirdly, the weight and threshold of BP neural network model was optimized by genetic algorithm(GA), which has stronger macroscopic search and global optimization property, based on BP network model of the preparation of superfine quartz powder. This model is named GA-BP, and improves the generalization capability and the parameters forecast precision of BP network model, and was proved to be correct by both theoretical analysis and experiment.
再次,本文以粉石英制备的BP网络模型为基础,利用遗传算法(GA)较强的宏观搜索能力和良好的全局优化性能,对BP网络模型的权值和阈值进行优化,极大地提高了BP网络模型的泛化性能和参数预测精度,将经过GA优化后的BP网络模型简称为GA-BP网络模型。
Gained performance index testJ from tested network was returned to neural network training by improved BP algorithm. A new performance index newJ was constructed with J and testJ, the best weight and threshold of neural network was gained with training and testing performance index.
改进的BP算法把检验网络得到的性能指标J反馈回神经网络训练中,利用J和testJ构造出新的性能指标newJ,通过训练和检验的性能指标加权得到神经网络最优权值和阈值。
The parameters of linear network are identified by recursive least square and weights and thresholds of MFNN are learned by BP algorithm.
线性网络部分的参数采用递推最小二乘法辨识，多层前向网络的权值和阈值采用BP算法学习。
Comparing mixed method with BP algorithm and terraced method,validity of the method was testified,which results in rapid computing of weights and thresholds.
通过BP算法、梯度优化法和混合算法对相同实例网络权值和阈值的计算,验证了所提出的混合算法的有效性,实现了权值和阈值的快速准确计算.
Mixed method is built to calculate the weights and thresholds of multi-layer neural network by utilize BP algorithm and terraced optimizations.
为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。
Mixed method was built to calculate the weights and thresholds of multi-layer neural network by utilize BP algorithm and terraced optimizations.
为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法,而迭代后期采用梯度优化法进行计算.
Optimum Method About Weights and Thresholds of Neural Network
神经网络权值和阈值的优化方法
With the optimization design and the training of the artificial neural network, ample information is stored in weight and threshold value of the artificial neural network. The color gamut matching is realized from the L*a b color space of the color printer to RGB color space of the CRT, this method can avoid the deficiency of other, and get better forecasting value of color gamut matching.
通过对神经网络的优化设计和学习训练,使该神经网络的权值和阈值得到了充分的信息储存,实现了彩色打印机的L~*a~*b~*色域空间向显示器的RGB色域空间的色域匹配,避免了其它方法的局限性,得到了较好的色域匹配预测值。
BP model could identify the relationship between sawing power and tangential force, the simulated curve is relatively stable, given the initial weight and threshold value at random, which proves a single hidden layer with the structure of 2-5-3 can preferably reflect the rules involved in the sawing process and filter the noise produced in the sawing process.
BP神经网络能识别并记住功率与切向力之间的关系，随机给定初始权值和阈值，仿真曲线能保持相对的稳定形状，表明单隐层2—5—3的BP模型结构能较好地反映锯切加工中内含的规律，过滤加工中随机产生的噪声。
RBF neural network adopts the off-line training and the on-line adaptation of weight and threshold value. In order to speed up the convergence, the grads descent method with inertia item was used.
RBF神经网络采用离线学习在线修正权值和阈值,为加快收敛速度,应用带惯性项的梯度下降法。
The simulation result shows that this algorithm can step out the local optimal and has certain powerful intelligence to initial weight and threshold value.
仿真结果表明,该算法具有跳出局部最优的能力,同时对初始权值和阈值具有一定的鲁棒性。
查询“权值和阈值”译词为用户自定义的双语例句&&&&我想查看译文中含有：的双语例句
为了更好的帮助您理解掌握查询词或其译词在地道英语中的实际用法，我们为您准备了出自英文原文的大量英语例句，供您参考。&&&&&&&&&&&&&&&&&&&&&&&&&&点击查询相关文摘&&&&相关查询:
在Springer中查有关
在知识搜索中查有关的内容
在数字搜索中查有关的内容
在概念知识元中查有关的内容
在学术趋势中查有关的内容
2008 CNKI－中国知网
北京市公安局海淀分局 备案号：110 1081725
&2008中国知网(cnki) 中国学术期刊(光盘版)电子杂志社15基于MATLAB的BP神经网络的设计与训练
上亿文档资料，等你来发现
15基于MATLAB的BP神经网络的设计与训练
??内蒙古与??；NMGKJYJJ；基于MATLAB的BP神经网络的设计与训练；??；张圣楠1,郭文义3,肖力墉2；(1.浙江大学电气工程学院,2.浙江大学信息学院；3.内蒙古农业大学机电学院,内蒙古呼和浩特??0；????摘??要:本文介绍了BP神经网络以及运用；关键词:人工神经网络;BP神经网络;matlab；????中图分类号:TP18????文献标识
??内蒙古与??NMGKJYJJ基于MATLAB的BP神经网络的设计与训练??张圣楠1,郭文义3,肖力墉2(1.浙江大学电气工程学院,2.浙江大学信息学院,浙江杭州??310027;3.内蒙古农业大学机电学院,内蒙古呼和浩特??010018)????摘??要:本文介绍了BP神经网络以及运用matlab工具箱构造BP神经网络,并对该神经网络进行训练的方法及过程。并以函数逼近为例,通过改变被逼近函数的参数、BP网络隐层神经元的数目、BP网络的学习算法,比较训练效果的差别,进而得出结论。关键词:人工神经网络;BP神经网络;matlab????中图分类号:TP18????文献标识码:A????文章编号:(95??041??引言智能控制作为一门新兴的交叉学科,在许多方面都优于传统控制,而智能控制中的人工神经网络由于模仿人类的神经网络,具有感知识别、学习、联想、记忆、推理等智能,更是有着广阔的发展前景。其中的一种---反向传播网络(BackPropagationNetwork,简称BP网络)是对非线性可微分函数进行权值训练的多层前向网络。可以说,BP网络是人工神经网络中前向网络的核心内容,体现了人工神经网络最精华的部分。本文介绍了运用matlab工具箱构造BP神经网络,实现对非线性函数(余弦函数)的逼近,并对该神经网络进行训练的方法及过程。2??BP网络反向传播网络(BackPropagationNetwork,简称BP网络)是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中,80%-90%的模型是采用BP网络或它的变化形式。它主要作用于以下几个方面:1.函数逼近:用输入矢量和相应的输出矢量训练一个网络来逼近一个函数。2.模式识别:用一个特定的输出矢量将它与输入矢量联系起来。3.分类:把输入矢量以所定义的合适的方式进行分类。4.数据压缩:减少输出矢量的维数以便于数据传输或存储。可以说,BP网络是人工神经网络中前向网络的核心内容,体现了人工神经网络最精华的部分。2??1??模型与结构一个具有r个输入和一个隐含层的神经网络模型结构如图所示:2??2??BP算法BP网络采用误差反向传播算法,即BP算法,这是一种有教师指导的??率学习算法。首先由教师对每一种输入模式设定一个期望输出值,然后对网络输入实际的学习记忆模式,并由输入层经隐层向输出层传播,此过程称为??模式顺传播??。实际输出与期望输出的差即是误差。按照误差平方最小这一规则,由输出层往隐层逐层修正连接权值和阈值,此过程称为??误差逆传播??。随着??模式顺传播??和??误差逆传播??过程的交替反复进行,不断调整网络的权值和阈值,使得误差信号最小,最终使网络的实际输出逐渐向各自所对应的期望输出逼近。2.2??1??信息的正向传递2??2??1??1??隐含层中第i个神经元的输出为:ali=f1(??wj=1sr1ijpj+b1i),i=1,2,??,s12??2??1??2??输出层第k个神经元的输出为:a2k=f2(??w2kia1i+b2k),k=1,2,??,s2j=112??2??1??3??定义误差函数为:2??(t-a2k)2E(W,B)=2k=1k2.3??利用梯度下降法求权值变化及误差的反向传播2??3??1??输出层的权值变化对从第i个输入到第k个输出的权值有:??a2k=-????w2ki=-??2ki2k2ki=??(tk-a2k)??f??2a1i=????kiali其中:??ki=f??2??(tk-a2k)=ek??f??2??ek=tk-a2k同理可得:??b2ki=-????E??E??a2k=-??2ki2k2ki=??(tk-a2ki)=??(tk-a2k)??f??2=????kis2??3??2??隐含层的权值变化对从第j个输入到第i个输出的权值有:??收稿日期:??内蒙古与??NMGKJYJJ??w1ij=-??s2??E??E??a2k??a1i=-??1ij2k1i1ij??表现函数值小于误差指标goal。??梯度值小于要求精度min_grad。??训练所用时间超过时间限制time。??最大失败次数超过次数限制max_fail。BP网络的批处理训练模式-改进的BP算法BP算法的主要缺点是:收敛速度慢、局部极值、难以确定隐层和隐层节点数。在实际应用中,BP算法很难胜任,因此出现了许多改进算法。BP算法的改进主要有两种,一种是启发式学习算法,另一种则是采用更有效的优化算法。启发式学习算法,就是对表现函数梯度加以分析,从而改进算法,包括:有动量的梯度下降法(traingdm)、有自适应lr的梯度下降法(traingda)、有动量和自适应lr的梯度下降法(traingdx)和能复位的BP训练法(trainrp)等。基于数值最优化理论的训练算法有:共轭梯度法、高斯-牛顿法等。3??4??仿真仿真函数sim用来对网络进行仿真。利用此函数,可以在网络训练前后分别进行输入输出的仿真,以作比较,从而对网络进行修改评价。4??实例--运用matlab设计BP网络逼近余弦函数4??1??matlab程序k=2;??%余弦函数的参数p=[-1:0.05:1];%输入向量pt=cos(k*pi*p);%期望输出向量T,T与P合称输入样本n=10;%隐含层神经元个数net=newff(minmax(p),[n1],{??tansig??,??purelin??},??trainlm??);%建立网络,采用默认初始化参数对网络进行初始化。y1=sim(net,p);%未经训练时的仿真结果net.trainParam.epochs=50;%训练函数的参数设置net.trainParam.goal=0.01;%训练函数的参数设置net=train(net,p,t);%网络的训练函数y2=sim(net,p);%经过训练后的仿真结果%绘图plot(p,t,??-??,p,y1,??--??,p,y2,??--??);%绘制被逼近的函数,未经训练的仿真结果,经过训练的仿真结果。title(??训练后网络的输出结果??);xlabel(??时间??);ylabel(??仿真输出??);4??2??训练结果通过改变函数的参数、BP网络隐层神经元的数目、BP网络的学习算法,来观察训练时间以及训练误差的变化情况(注:以下左图为仿真结果,右图为训练误差及步数曲线)。4??2??1??改变函数参数k4??2??1??1??k=0.5,n=10=????(tk-a2k)??f??2w2kif??1Pj=????kipjk=1其中:??ij=e????1??ei=????kiw2kiifk=1s2同理可得:??b1i=????ij3??用MATLAB工具箱进行BP网络设计3??1??生成神经网络训练神经网络之前需要构造一个网络框架,函数newff()就是构造神经网络的。它需要四个输入条件,输入样本、各层神经元个数、各层神经元传递函数和训练用函数名称。3??2??权值初始化前馈型网络训练之前必须对权值和阈值进行初始化,newff()可以自动完成,但无法重新赋初值。可以应用init()将网络恢复到初始化状态。3??3??训练BP网络的训练函数有traingd、traindm、traindx、trainrp、traincgf、traincgp、traingb、trainscg、trainbfg、trainoss、trainlm、trainbr等,每一种都有各自特点,但没有一种能适应所有情况下的训练过程。无论是函数逼近还是模式识别,都必须对神经网络进行训练。训练之前首先需要样本,样本包含输入向量P以及相应的期望输出向量T,训练过程中应不断调整权值和阈值,使得神经网络的表现函数达到最小。BP网络的表现函数缺省为网络输出a和期望输出T的均方差msa。BP算法及其改进算法均利用表现函数的梯度调整网络的权值和梯度,调整梯度的方法均采用反向传播算法。最基本的BP算法就是沿着负梯度方向调整权值。求函数梯度有两种方法:递增和批处理。递增模式,就是每增加一个输入样本,重新计算一次梯度并调整权值。批处理模式,就是利用所有的输入样本计算梯度,然后调整权值。批处理训练时,可以采用下面两种方式:3??3??1??先构建网络并设定训练算法,然后在应用最基本的批处理训练函数train()。net=newff(PR,[S1S2...SN1],{TF1FT2...TFN1},BTF,BLF,PF)[net,tr,Y,E,Pf,Af,]=train(NET,P,T,Pi,Ai,VV,TV)3??3??2??直接应用相应算法的训练函数进行训练。[net,tr,Ac,EI]=traingdm(net,Pd,TI,Ai,Q,Ts,VV,TV)BP网络的批处理训练模式-梯度下降法如果应用梯度下降法训练函数,需要在训练之前将网络构成函数的相应参数trainFcn设置为traingd。与函数traingd相关的训练函数有:epochs、goal、lr、max_fail、min_grad、show、time,如果不设置就表示应用内定缺省值。在训练过程中,只要满足以下条件之一,训练就会停止:??超过最大迭代次数epochs。??内蒙古与??NMGKJYJJ训练过程:&&TRAINLM,Epoch0/50,MSE6.,Gradient229.875/1e-010TRAINLM,Epoch1/50,MSE0..01,Gradient0.e-010TRAINLM,Performancegoalmet.4??2??1??2??k=5,n=10训练过程:&&TRAINLM,Epoch0/50,MSE1.,Gradient45.0TRAINLM,Epoch25/50,MSE0..01,Gradient5.0TRAINLM,Epoch39/50,MSE0..01,Gradient0.e-010TRAINLM,Performancegoalmet.4??2.2??改变BP网络隐层神经元的数目4??2??2??1??k=2,n=5训练过程:&&TRAINLM,Epoch0/50,MSE1.,Gradient79.0TRAINLM,Epoch25/50,MSE0..01,Gradient0.0TRAINLM,Epoch31/50,MSE0..01,Gradient0.e-010TRAINLM,Performancegoalmet.4??2??2??2??k=2,n=50??内蒙古与??NMGKJYJJ训练过程:&&TRAINLM,Epoch0/50,MSE22.,Gradient749.314/1e-010TRAINLM,Epoch1/50,MSE0..01,Gradient1.0TRAINLM,Performancegoalmet.4??2.3??改变算法(k=2,n=30net.trainParam.epochs=300;net.trainParam.goal=0.01;)4??2??3??1??traingda训练过程&&TRAINGDA,Epoch0/3000,MSE1.,Gradient3.6TRAINGDA,TRAINGDA,TRAINGDA,TRAINGDA,TRAINGDA,EpochEpochEpochEpochEpoch25/3000,MSE0..01,Gradient0.650/3000,MSE0..01,Gradient0.e-,MSE0..01,Gradient0.e-0,MSE0..01,Gradient0.e-0,MSE0..01,Gradient0.e-006TRAINGDA,Performancegoalmet.4??2??3??2??trainbr训练过程&&TRAINBR,Epoch0/3000,SSE62.,SSW2761.7,Grad3.34e+001/1.00e-010,#Par3.10e+001/31TRAINBR,Epoch4/3000,SSE0..01,SSW363.049,Grad1.98e-001/1.00e-010,#Par1.86e+001/31TRAINBR,Performancegoalmet真都变得非常简单,使用户不必再编写自己学科范4??3??结果分析围内的基础程序,而且训练过程及效果非常直观,为4??3??1??其他不变时,余弦函数的参数k越大,训练误差越大,训练时间越长。4??3??2??其他不变时,BP网络隐层神经元的数目越多,训练误差越小,训练时间越短。4??3??3??在相同条件下,trainbr的训练效果最好,trainlm次之,trainscg、traincgf、trainrp、traingda要差一些,traingdm和traingd最差。5??结束语BP神经网络是人工神经网络中前向网络的核心内容,体现了人工神经网络最精华的部分。而matlab中的工具箱使BP网络的建立、训练以及仿广大科研工作者提供了便利。[参考文献][1]??兰雪梅,朱健等??BP网络的MATLAB实现??微型电脑应用,Vol.19,No.1,2003.[2]??丛爽??神经网络、模糊控制及其在运动控制中的应用??中国科学技术大学出版社,]??王永骥,涂健??神经元网络控制??机械工业出版社,1999.7.[4]??李士勇??模糊控制??神经控制和智能控制论??哈尔滨工业大学出版社,1996.10.包含各类专业文献、中学教育、专业论文、文学作品欣赏、行业资料、幼儿教育、小学教育、高等教育、15基于MATLAB的BP神经网络的设计与训练等内容。
　2012 届毕业设计论文 基于 MatLab 的 BP 神经网络的仿真与实现院、 部: 计算机与信息科学学院 学生姓名: 指导教师: 专班业: 级: 2012 年 5 月 职称 讲师 ... 　神经网络的设计 设计开发 MATLAB 下 BP 神经网络的设计开发 BP 网络在神经网络工具箱中的仿真 本文利用 Matlab6.5 神经网络工具箱, 以一组动态冲击实验数据为例... 　26 基于 MATLAB 的 BP 神经网络应用 基于 MATLAB 的 BP 神经网络应用蒋亮亮...设计与训练的子程序,网络的设计者可以根据需要调用工具箱中有关神经网络的设计... 　26 基于 MATLAB 的 BP 神经网络应用 基于 MATLAB 的 BP 神经网络应用蒋亮亮...设计与训练的子程序,网络的设计者可以根据需要调用工具箱中有关神经网络的设计... 　神经网络在大气污染预报中的应用雷 蕾1 秦侠 姚小丽 (北京工业大学, 北京 100022) 摘要 介绍了运用 Matlab 神经网络工具箱进行 BP 神经网络设计的基本方法与过程... 　 BP神经网络的设计实例(MATLAB编程)_IT/计算机_专业资料。matlabBP 神经网络的设计实例(MATLAB 编程) 例 1 采用动量梯度下降算法训练 BP 网络。 训练样本定义如下... 　 基于MATLAB的BP神经网络预测程序_计算机软件及应用_IT/计算机_专业资料。基于...Mitchell 著,中英文都有)的第 4 章和《神经网络设计》 (机械工业出 版社,... 　MATLAB 程序代码--BP 神经网络的设计实例例 1 采用动量梯度下降算法训练 BP 网络。 训练样本定义如下: 输入矢量为 p =[-1 -2 3 1 -1 1 5 -3] 目标...公路运量预测_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
17页免费27页免费5页免费6页¥2.005页¥2.005页2下载券3页免费5页免费5页免费4页免费
喜欢此文档的还喜欢1页免费
公路运量预测|
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢请问谁有利用PSO优化BP神经网络初始权值和阈值的程序，最好是matlab的，可以运行的，急求，万分感谢！_百度知道
请问谁有利用PSO优化BP神经网络初始权值和阈值的程序，最好是matlab的，可以运行的，急求，万分感谢！
提问者采纳
它也是通过适应度来评价解的品质，它也是从随机解出发，并且在解决实际问题中展示了其优越性，缩写为 PSO。PSO 算法属于进化算法的一种。<file fsid="640" link="/share/link、收敛快等优点引起了学术界的重视，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，和模拟退火算法相似。粒子群算法是一种并行算法。这种算法以其实现容易， 是近年来发展起来的一种新的进化算法(Evolutionary Algorithm - EA)、精度高粒子群算法，通过迭代寻找最优解?shareid=&uk=" name="psobp，它通过追随当前搜索到的最优值来寻找全局最优，但它比遗传算法规则更为简单，也称粒子群优化算法（Particle Swarm Optimization）
提问者评价
其他类似问题
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁