多子群结构小波神经网络学习算法的研究及应用

摘要

粒子群优化算法(Particle Swarm Optimization，PSO)作为群体智能的一员，是一种具有全局寻优能力的群体智能算法。小波神经网络是在小波分析与神经网络发展的基础上形成的一种网络模型，一方面，它具有小波变换的优点，在时域频域同时具有良好的局部特性，可以以多个尺度对函数逼近；另一方面，它具有多层前馈神经网络的学习、记忆功能，对连续光滑的函数可以做任意精度的逼近。因此小波神经网络通过学习调整参数，既能逼近函数的整体，也能捕捉函数变化的细节，具备较强的容错及逼近能力。
　　 采用PSO算法训练小波神经网络时，通常采用将网络中的阈值及连接权值设置为粒子群优化算法中粒子的位置向量，网络参数的调整借助于粒子的不断搜索，通过更新粒子的速度和位置向量间接确定神经网络的各参数，进而搜寻最优值。使用PSO算法优化神经网络的各个参数，只需要知道目标函数值而不需要求目标函数的导数，很大程度上拓宽了训练程序的通用性，且PSO算法避免了小波神经网络在选取初值时的随机性和单一性，使网络不易出现盲目搜索的现象，减少了迭代次数，在一定程度上解决了网络易陷入局部极小值的问题，比起基于梯度的BP算法，不管是在精度方面还是速度方面上都有了很大的改善。
　　 本文提出一种基于多子群结构小波神经网络学习算法，根据适应度值的大小把粒子群划分为不同的子群，并对两个子群设置不同的进化策略，两个子群协同进化共同寻找全局最优值。基于小波神经网络良好的逼近性能，把其引入图像去噪领域中，用改进粒子群的优化算法优化网络，最后结合中值滤波法给出一种图像去噪的算法，把训练好的神经网络作为噪声分类器，区分噪声点和非噪声点，以达到去噪的目的，仿真实验表明，该去噪算法能很好的实现对图像的去噪，同时能最大程度上保护图像的细节信息，保真度效果好。