[发明专利]基于改良型引力搜索方法的递回式小波艾尔曼神经网络

权利要求书

1.一种基于改良型引力搜索方法的递回式小波艾尔曼神经网络,递回式小波艾尔曼神经网络包括五层神经网络配置，分别为输入层、隐藏层、上下文层、输出反馈层和输出层，其特征在于，所述递回式小波艾尔曼神经网络被初始化，基于梯度下降法的监督式学习被用来训练此网络系统，利用训练模式对递回式小波艾尔曼神经网络的参数进行调整，通过链规则的递归应用，首先计算出每层的误差项，能量函数E表示为：

网络的训练过程如下：第四层权值W_lj更新

第四层误差项的传递的计算如下：

W_lj更新式子如下：

W_lj(N+1)＝W_lj(N)+η₁ΔW_lj

η₁是第四层权值W_lj的学习速率；

第三层权值W_kj更新

在第三层中，通过使用链规则，W_kj的更新法则为：

W_kj(N+1)＝W_kj(N)+η₂ΔW_kj

η₂是第三层权值W_kj的学习速率；

第二层权值W_ij更新

在第二层中，通过使用链规则，W_ij的更新法则为：

W_ij(N+1)＝W_ij(N)+η₃ΔW_ij

η₃是第二层权值W_ij的学习速率；

平移和扩张参数分别为a_j和b_j的更新式如下：

a_j(N+1)＝a_j(N)+η_aΔa_j

b_j(N+1)＝b_j(N)+η_bΔb_j

η_a和η_b为平移和扩张参数的学习速率；

改良型引力搜索方法，即时线上调整学习速率(η₁,η₂,η₃,η_a,η_b)，优化递回式小波递回式小波艾尔曼神经网络，方法包括以下步骤：

步骤一:初始化

用来定义第i个粒子的位置，其中是第i个粒子的d维度值，族群大小为N；

步骤二:适应性函数

对于每个粒子，评估适合性值，为了计算适合度值，FIT为适应性函数的最适度计算式子，

步骤三:小波突变

在小波变换的基础上，对族群中的向量进行了变异，得到了一个具有良好调谐特性的小波变异操作F，用莫莱小波作为小波的母代入下式：

步骤四:族群更新

重心常数G是初始值G₀与时间t的函数；它在开始时初始化，并随着时间减少以控制搜索的精度，如下所示：

α为常数,Iter是叠代次数，Itermax是最大叠代次数，重心和质量函数根据适应性评估计算；

步骤五:计算不同方向的总力

在计算了每一个粒子的质量之后，找到它们的加速度，根据牛顿法则，对每一个物体施加的一组较重的质量所产生的总力计算如下：

步骤六:加速度计算

基于牛顿法则，加速度的计算如下：

R_ij(t)是两个粒子i和j之间的欧几里得距离，Kbest是前K个对象的集合；

步骤七:更新粒子的速度与位置

为了更新粒子在优化方法中的位置，我们计算了每个粒子的速度，根据以下方程式计算每个粒子的速度和新位置：

x_i(t+1)＝x_i(t)+v_i(t+1)

c₁与c₂是学习因子，rand₁()与rand₂()是两个介于0-1的随机数，pbest(t)和gbest(t)是个别和全域的最优值；

步骤八：重复步骤二至七，直到达到停止标准。