[发明专利]一种基于鸽群优化算法的多层感知器训练方法

摘要

本发明公开了一种基于鸽群优化算法的多层感知器训练方法，首先初始化鸽群算法的基本参数，随机初始化个体的位置和范围；然后在指南针算子阶段根据具体的公式更新鸽子的位子和速度，旨在扩大多层感知器的参数寻优范围；接下来在地表算子阶段利用具体的公式加快收敛速度和深入挖掘局部最优；在每次迭代中，用于评价个体的适应度值的函数是个体所携带的参数对应的多层感知器的均方误差；本发明与传统的BP算法在训练多层感知器的过程中，能够克服BP算法训练多层感知器易陷入局部最优解和寻优过程慢的特性，能够尽可能的挖掘出最优性能的多层感知器参数，提升了多层感知器的性能。

主权项

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Xi＝[Xi1,Xi2,...,XiD]、个体速度Vi＝[Vi1,Vi2,...,ViD]、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。