小波神经网络模型的改进方法

摘要

为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(QPSO)算法易早熟、后期多样性差、搜索精度不高的缺点,提出一种同时引入加权系数、引入Cauchy随机数、改进收缩-扩张系数和引入自然选择的改进量子粒子群优化算法,将其代替梯度下降法,训练小波基系数和网络权值,再将优化后的参数组合输入小波神经网络,以实现算法的耦合.通过对3个UCI标准数据集的仿真实验表明,与WNN、PSO-WNN、QPSOWNN算法相比,改进的量子粒子群-小波神经网络(MQPSO-WNN)算法的运行时间减少了11％ ～43％,而计算相对误差较之降低了8％ ～57％.因此,改进的量子粒子群-小波神经网络模型能够更迅速、更精确地逼近最优值.