为了测试用粒子群算法优化后的神经网络的非线性拟合的能力,把最优初始权值和阈值赋给BP 神经网络后,用训练样本训练网络后预测非线性函数y = x2 + x2 的输出,并将其预测
误差与BP神经网络的预测误差作比较。
由于该拟合非线性函数有2个输入参数、1个输出参数,所以设置神经网络的结构为2-5-1,即输出层的节点个数为2,隐含层的节点个数为5,输出层的节点个数为1,其中隐含层的节点个数由经验公式(3.33)得到:
n2 = 2 × n1 +1
其中:n1 为输入层神经元个数,n2 为隐含层神经元个数。
(3.33)
其他相关参数设置如下所示:SPSO:粒子种群规模m = 20 ,适度度函数阈值ε = 0.01 ,
最大限制速度Vmax = 1 ,最大允许迭代次数itermax = 1000 ,加速度常数c1 = c2 = 2 ,惯性权重按照线性递减算法计算,根据式(3.4),将ωmax设为1.2,ωmin设为0.4。
BP:将系统误差ε 设为0.01,隐含层神经元的传递函数为tansig ,输出层神经元的传递函数为logsig ,训练函数为traingd ,学习速率设为0.1,最大允许迭代次数Tmax = 1000 。
依照PSO-BP 算法流程图优化BP 神经网络,在MATLAB 软件上绘制优化后网络预测误差。粒子群算法优化过程中最优个体适应度值变化如图3.9 所示。图3.10 所示为PSO 优化后的网络预测误差与BP 神经网络预测的分析比较。
最最最最最最最最
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0102030405060708090100
迭迭迭迭
图3.9 最优个体适应度值
网网测样网网
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
-0.3
-0.35
0
1020304050607080
样样
90100
图3.10PSO优化BP 网络预测误差
从图3.10 中可以看出经粒子群算法优化的BP 神经网络预测更加精确,有着更好的非线
性拟合能力,表明该PSO 优化后的神经网络适用于故障类型与故障征兆间具有复杂非线性映射的乳化机故障诊断,对乳化机故障诊断精度的提高具有极其重要的应用价值。
date 2020/09/08乳化机诊断粒子群算法优化神经网络
上一条