学位论文 > 优秀研究生学位论文题录展示

蚁群神经网络的研究及其应用

作　者: 李静宜
导　师: 田雨波
学　校: 江苏科技大学
专　业: 信号与信息处理
关键词: 蚁群优化算法神经网络微带天线谐振频率
分类号: TP183
类　型: 硕士论文
年　份: 2010年
下　载: 137次
引　用: 1次
阅　读: 论文下载

内容摘要

多层前馈神经网络是应用最广泛的一种神经网络,然而它的理论和应用都还存在一些困难,如易陷入局部极小点和泛化能力差等问题。蚁群优化(Ant Colony Optimization,简称ACO)算法是一种良好的群智能算法,它具有良好的全局性和并行性,因此用蚁群优化算法训练前馈神经网络的权值和阈值,能够使神经网络脱离局部极小,提高网络的泛化能力。近年来,随着人们对带宽需求的不断增加以及通信技术的不断发展,微带天线的带宽技术和小型化等已成为目前研究的一个热门话题。微带天线的许多优点,例如体积小、重量轻、剖面薄、易集成以及低成本等,使微带天线得到了广泛的应用,因此研究高性能的微带天线很有意义。本文首先简要介绍了神经网络及蚁群优化算法的基本知识,然后对蚁群优化算法的更新方法进行了研究,其次又构建了三种用蚁群优化算法或蚁群优化算法和其他算法相结合训练神经网络权值和阈值的模型(以下简称蚁群神经网络),并通过函数拟合、LED分类和广义异或问题验证了这三种模型的性能,最后用效果最好的一种蚁群神经网络模型进行了矩形微带天线谐振频率的计算和一种I型微带天线的优化设计。论文的主要研究成果可归纳如下:(1)为克服蚁群优化算法在寻优时仍有可能陷入局部极小的现象,给出了基于代间差分和混沌变异等更新算法。由实验结果可知,更新算法可以有效克服标准蚁群优化算法的早熟现象,并且能够加快收敛速度,达到跳出局部极小点,获得全局最优的目的。(2)构建了三种蚁群神经网络(ACONN)模型。这三种模型分别为用蚁群优化算法训练前馈神经网络权值和阈值的ACO_NN模型;先用蚁群优化算法对前馈神经网络的权值和阈值进行训练之后再用BP算法训练前馈神经网络权值和阈值的ACO_BP_NN模型和先用粒子群优化(Particle Swarm Optimization,简称PSO)算法对蚁群优化算法的初始值进行调整,然后再用蚁群优化算法对前馈神经网络的权值和阈值进行训练的PSO_ACO_NN模型。(3)通过函数拟合、LED分类和广义异或问题,验证三种ACONN模型的性能,实验结果证明PSO_ACO_NN模型在处理这些问题时效果均是最好的。(4)将PSO_ACO_NN模型应用于矩形微带天线谐振频率的计算和一种I型微带天线的优化设计上,取得了满意的结果。

全文目录

摘要  5-6
Abstract  6-12
第1章绪论  12-18
  1.1 课题的研究背景和现状  12-15
    1.1.1 蚁群优化算法的研究背景和现状  12-13
    1.1.2 人工神经网络的研究背景和现状  13-14
    1.1.3 微带天线的研究背景和现状  14-15
    1.1.4 选题的背景  15
  1.2 课题研究内容及主要成果  15-16
  1.3 本文的章节安排和结构  16-18
第2章人工神经网络理论  18-26
  2.1 人工神经网络的基础  18-21
    2.1.1 人工神经网络的数学模型  18-19
    2.1.2 人工神经网络的学习方式  19-21
    2.1.3 人工神经网络的特点  21
  2.2 BP 算法和BP 神经网络  21-25
    2.2.1 BP 算法的数学描述  22-23
    2.2.2 BP 算法的若干改进  23-24
    2.2.3 BP 网络的局限性  24-25
  2.3 本章小结  25-26
第3章蚁群优化算法的更新方法的研究  26-39
  3.1 蚁群优化算法的原理  26-30
    3.1.1 蚂蚁的信息系统  26
    3.1.2 蚁群优化算法的原理分析  26-28
    3.1.3 基本蚁群优化算法的模型  28-30
  3.2 几种改进的蚁群优化算法  30-31
  3.3 蚁群优化算法的蚂蚁更新方法研究  31-33
    3.3.1 克隆选择  32
    3.3.2 代间差分  32
    3.3.3 混沌理论  32-33
    3.3.4 变异原理  33
    3.3.5 模拟退火算法  33
    3.3.6 蚂蚁更新算法  33
  3.4 蚁群优化算法更新方法的数值实验  33-38
  3.5 本章小结  38-39
第4章蚁群神经网络的研究  39-54
  4.1 蚁群神经网络模型  39-42
    4.1.1 蚁群神经网络的实现  39-40
    4.1.2 本文建立的几种蚁群神经网络模型  40-42
  4.2 蚁群神经网络的数值实验  42-53
    4.2.1 函数拟合数值实验  42-46
    4.2.2 分类问题数值实验  46-53
  4.3 本章小结  53-54
第5章蚁群神经网络在微带天线设计中的应用  54-68
  5.1 研究微带天线的意义  54-55
  5.2 微带天线的优缺点分析  55-56
    5.2.1 微带天线的优点  55
    5.2.2 微带天线的缺点及改善方法  55-56
  5.3 微带天线的工作原理  56-58
  5.4 微带天线谐振频率的计算  58-61
    5.4.1 矩形微带天线的谐振频率  58
    5.4.2 PSO_ACO_NN 模型在矩形微带天线谐振频率计算上的应用  58-61
  5.5 I 型微带天线的结构优化设计和仿真  61-66
    5.5.1 I 型微带天线的简介  61-63
    5.5.2 基于PSO_ACO_NN 的I 型微带天线的优化设计  63-66
  5.6 本章小结  66-68
结论  68-70
参考文献  70-74
致谢  74-75
详细摘要  75-79

蚁群神经网络的研究及其应用

内容摘要

全文目录

相似论文