[发明专利]基于GA-PSO杂交算法的深度信念网络参数优化方法

摘要

本发明涉及一种基于GA‑PSO杂交算法的深度信念网络参数优化方法，包括以下步骤：1)初始化产生一个种群，包括3N个个体；2)采用适应度函数计算个体的适应度值；3)提取适应度值较优的2N个个体和适应度值较差的N个个体；4)采用GA算法对适应度值较优的2N个个体执行寻优过程，计算寻优后的2N个个体的适应度值，并输出个体适应度值较优的前N个个体和适应度值最优的个体；5)根据步骤4)中个体适应度值较优的前N个个体和适应度值最优的个体，采用PSO算法对步骤3)中适应度值较差的N个个体执行寻优过程；6)采用适应度函数对步骤4)和步骤5)中寻优后的2N个个体和寻优后的N个个体进行适应度值的计算，确定适应度值最优的个体。

主权项

1.一种基于GA‑PSO杂交算法的深度信念网络参数优化方法，其特征在于，包括以下步骤：1)初始化种群，并设置总寻优次数，所述种群包括3N个个体，所述个体为一组深度信念网络参数；2)采用适应度函数计算所述每个个体的适应度值，所述适应度值用来表示个体优劣程度；3)提取步骤2)中适应度值较优的2N个个体和适应度值较差的N个个体；4)采用GA算法对步骤3)中适应度值较优的2N个个体执行寻优过程，得到寻优后的2N个个体；采用适应度函数计算所述寻优后的2N个个体的适应度值，并输出个体适应度值较优的前N个个体和适应度值最优的个体；5)根据步骤4)中个体适应度值较优的前N个个体和适应度值最优的个体，采用PSO算法对步骤3)中适应度值较差的N个个体执行寻优过程，得到寻优后的N个个体；6)采用适应度函数计算步骤4)和步骤5)中寻优后的2N个个体和寻优后的N个个体的适应度值，确定适应度值最优的个体，并记录寻优次数，执行完整的一次GA‑PSO寻优过程，记为一次寻优；7)判断步骤6)中得到的寻优次数是否达到总寻优次数，如果没有达到总寻优次数，则继续执行步骤2)至步骤6)，如果达到或超过总寻优迭代次数，则输出步骤6)中确定的适应度值最优的个体，作为最优的深度信念网络参数。