[发明专利]一种基于鸽群优化算法的多层感知器训练方法

权利要求书

1.一种基于鸽群优化算法的多层感知器训练方法，所述多层感知器是一种前向结构的人工神经网络，将一组输入映射为一组输出，多层感神经元相互连接；从输入到输出具体的映射关系为：

其中，表示多层感知器的第k组输入数据，y^k表示为多层感知器的第k组输出数据，w_ij表示为输入层到隐含层的连接权值，β_i表示为隐含层神经元阈值，v_i表示为隐含层到输出层的连接权值，n表示为连接到当前神经元的上一层神经元的个数，h表示为连接到输出神经元的前一层神经元个数；

tanh表示为多层感知器神经元的激活函数，具体公式如下：

其特征在于，所述方法包括以下步骤：

步骤1：初始化鸽群规模N、指南针算子迭代次数T₁和地表算子迭代次数T₂，个体向量维度D、个体位置X_i＝[X_i1,X_i2,...,X_iD]、个体速度V_i＝[V_i1,V_i2,...,V_iD]、指南针因子R、个体的搜索空间Searchrange；随机设置个体位置和个体速度，计算种群的适应度值；个体向量维度D表示为待求解的个数，即待求解的多层感知器的参数个数；

步骤2：在指南针算子迭代阶段，更新鸽子的位置和速度；其中，更新鸽子的位置即表示为对多层感知的参数进行更新；

步骤3：计算个体的适应度值，并更新全局最优和个体历史最优；

步骤4：判断是否达到指南针算子迭代次数；

若是，则执行下述步骤5；

若否，则回转执行步骤2；

步骤5：在地标算子阶段，更新种群数目，按照适应度值对鸽子进行排序，每次迭代中将适应度值差的那一半鸽子舍弃，然后计算剩下的鸽子的种群位置中心，所有个体朝向种群中心移动，更新鸽子位置；

步骤6：更新历史最优和全局最优；

步骤7：判断是否达到地标算子迭代次数；

若是，则执行下述步骤8；

若否，则回转执行步骤5；

步骤8：输出最优鸽子位置。

2.根据权利要求1所述的基于鸽群优化算法的多层感知器训练方法，其特征在于：步骤1中，种群的适应度值是多层感知器的性能指标，具体计算公式为：

其中，T^k表示为第k组输入数据的期望输出，y^k表示为第k组输入数据的实际输出，E表示均方误差，均方误差E越小越好。

3.根据权利要求1所述的基于鸽群优化算法的多层感知器训练方法，其特征在于：步骤2中，更新鸽子的位置X和速度V的具体公式为：

V_i(t)＝V_i(t-1)·e^-Rt+rand·(X_g-X_i(t-1))

X_i(t)＝X_i(t-1)+V_i(t)

式中，X_i(t)表示为第t此迭代时的个体位置，V_i(t)表示为第t次迭代时的个体速度，t表示为当前迭代次数；R表示指南针因子，rand表示为0到1之间的随机数，X_g表示为当前的全局最优解，通过比较当前鸽群的适应度值获得。

4.根据权利要求1所述的基于鸽群优化算法的多层感知器训练方法，其特征在于：步骤3中，个体的适应度值是多层感知器的性能指标，具体计算公式为：

其中，T^k表示为第k组输入数据的期望输出，y^k表示为第k组输入数据的实际输出，E表示均方误差，均方误差E越小越好。