摘要
1 绪论
1.1 本文研究背景及意义
1.2 神经网络研究背景及存在的不足
1.3 进化计算
1.3.1 进化计算概述
1.3.2 遗传算法
1.3.3 粒子群算法
1.3.4 进化计算与经典优化算法的区别
1.4 进化计算与神经网络的结合
1.5 本文的主要研究内容
2 基于BP算子粒子群的神经网络权值学习方法的研究
2.1 引言
2.2 前馈神经网络数学基础
2.3 粒子群优化算法
2.3.1 基本粒子群优化算法
2.3.2 全局最优PSO
2.3.3 局部最优PSO
2.4 粒子群算法的基本变体
2.4.1 速度钳制的粒子群算法
2.4.2 带惯性权重的粒子群算法
2.4.3 带收缩系数的粒子群算法
2.5 基本粒子群优化的参数
2.6 基于BP算子的粒子群优化网络权值学习方法
2.6.1 算法的引入
2.6.2 基于BP算子的粒子群搜索方法描述
2.6.3 基于BP算子的粒子群搜索方法说明
2.6.4 基于BP算子的粒子群搜索方法特点
2.7 实验算例
2.7.1 三输入XOR问题
2.7.2 静态函数逼近问题
2.8 本章小结
3 混合进化计算优化前向网络结构与权值调整方法
3.1 引言
3.2 常规遗传算法
3.3 改进混合遗传算法(IHGA)
3.3.1 改进遗传算法(IGA)
3.3.2 改进的粒子群算法
3.3.3 改进混合遗传算法描述
3.3.4 改进混合遗传算法的特点
3.3.5 改进混合遗传算法收敛性证明
3.3.6 数值实验与结果
3.4 基于IHGA方法的前向网络结构与权值调整方法
3.4.1 带连接开关的神经网络
3.4.2 IHGA算法用于前向网络结构与权值优化设计
3.5 实验算例
3.5.1 太阳黑子数预测
3.5.2 三输入异或开关
3.6 本章小结
4 粒子群优化径向基神经网络学习方法的研究
4.1 引言
4.2 径向基函数神经网络(RBF)
4.2.1 径向基函数神经网络原理
4.2.2 径向基函数神经网络的常用学习算法
4.2.3 正则化正交最小二乘法
4.2.4 正则化正交最小二乘法与D-最优试验设计方法的结合
4.3 基于粒子群算法的RBF网络学习方法的引入
4.4 改进的粒子群算法(IPSO)
4.4.1 算法引入
4.4.2 双极值更新策略
4.4.3 IPSO与GA、PSO性能实验比较
4.5 基于改进粒子群算法的RBF网络设计方法
4.5.1 RBF网络设计方法的基本思想
4.5.2 基于改进PSO优化的RBF网络学习方法适应度函数的选取
4.5.3 基于PSO的RBF网络学习方法的计算复杂度
4.6 实验算例
4.7 本章小结
5 基于进化计算优化神经网络的木材表面缺陷识别
5.1 引言
5.2 木材表面缺陷识别的图像处理
5.2.1 实验样本库的制作
5.2.2 木材表面缺陷图像处理
5.2.3 木材表面缺陷原始特征的建立
5.3 木材表面缺陷神经网络建模方法
5.3.1 木材表面缺陷RBF网络设计方法
5.3.2 木材表面缺陷前向BP网络设计方法
5.4 试验结果
5.4.1 各前向网络设计方法的参数设置
5.4.2 木材表面缺陷RBF网络模型设计结果
5.4.3 木材表面缺陷BP网络模型各设计方法学习结果比较
5.4.4 木材表面缺陷网络模型各设计方法学习结果比较
5.5 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢
声明