基于FPSO优化的BP神经网络算法研究与应用

摘要

传统BP神经网络算法在实际应用中存在寻优过程跳出局部最优值的困难，收敛速度较慢，训练精度达不到设定要求，输出结果与真实数值相差较大等问题。分数阶微积分具备参数选择灵活、良好的鲁棒性和抗干扰能力强等特点。本文引入分数阶粒子群算法(FPSO)对传统BP神经网络算法进行优化。利用分数阶粒子群良好的记忆能力、收敛速度快、全局寻优效果强、稳定性好、精度高等特点，提出G-L定义的分数阶粒子群优化BP神经网络算法(FPSO-BP)。优化后的算法收敛速度加快，算法的全局寻优能力提升，系统的稳定性和输出精度提高。通过分数阶粒子群对BP神经网络初始权值阈值进行优化，形成最优的训练网络，并使优化后的BP神经网络输出预测值与期望值的误差达到最小。本文的主要研究内容如下:
　　1.研究BP神经网络算法的原理及其推导过程，并阐明此算法存在缺陷的原因;
　　2.研究粒子群算法的理论依据和数学公式原理，给出粒子群优化BP神经网络的算法流程，以及现有优化算法的不足之处;
　　3.研究分数阶微积分的理论和定义，给出分数阶粒子群优化BP神经网络的方法，将新算法应用于环境污染源数据预测，分析改进算法在数据预测中的性能以及预测的精确度;
　　4.研究图像复原的理论基础，将新算法应用于图像复原，分析新算法在图像复原中的性能，并对图像的复原质量进行评价。
　　本文提出的算法应用于环境监测和图像处理领域中，通过与BP神经网络、粒子群BP神经网络相比，分数阶粒子群BP神经网络可加快算法的训练速度，提升算法的训练精度和运行效率。经过分数阶粒子群优化的BP神经网络算法对环境污染源数据预测的结果准确度更高，退化图像复原的效果更好。

目录

声明

摘要

第一章 绪论

1．1论文研究背景及意义

1．2国内外研究动态

1．3本文的组织结构和论文安排

1．4本章小结

2．1 BP神经网络结构

2．2 BP神经网络原

2．3 BP神经网络实现步骤

2．4 BP神经网络的缺点

2．5本章小结

第三章粒子群优化的BP神经网络

3．1粒子群优化算法

3．2传统粒子群算法

3．3改进的粒子群算法

3．4算法参数的选取

3．5 PSO-BP算法的基本步骤和流程

3．6粒子群优化BP神经网络的缺点

3．7本章小结

第四章分数阶粒子群优化BP神经网络及应用

4．1分数阶微积分的定义形式

4．2分数阶微积分的优点

4．3分数阶粒子群优化BP神经网络的方法

4．4分数阶粒子群优化BP算法的流程

4．5 FPSO-BP算法在环境监测中的应用

4．6本章小结

第五章FPSO-BP神经网络在图像复原的应用

5．1图像退化模型

5．2传统图像复原算法

5．3图像复原的评价方法

5．4 FPS0-BP算法复原退化图像的实现

5．5实验仿真和分析

5．6本章小结

6．1总结

6．2展望

参考文献

致谢

个人简介