论文部分内容阅读
BP神经网络是一种基于反向传播算法的人工神经网络模型,具有结构简单、计算量小、并行性强等优点。因而在故障诊断、图像识别、信号检测、负荷预测等诸多领域得到广泛应用。BP神经网络的权值对其性能影响较大,权值选取的适当与否极大地影响了其实际使用的效果。因此,通过算法优化BP神经网络权值是极其必要的。鸟群算法(BSA)是一种新型的群智能优化算法,具有参数少、收敛精度高、鲁棒性强的优点。因此,本文研究基于鸟群算法优化BP神经网络的方法具有十分重要的实际意义。 本文基于课题背景研究分析,深入剖析国内外BP神经网络和鸟群算法的研究动态,并基于基本鸟群算法创新性地提出改进鸟群算法(IBSA),即在鸟群算法的飞行阶段引入迁移策略、以提高鸟群算法的收敛速度,在鸟群陷入局部最优时引入变异策略、以增加鸟群的种群多样性,提高鸟群算法的寻优精度,并采用测试函数进行寻优实验,验证IBSA算法的有效性;在此基础上,利用改进鸟群算法(IBSA)对BP神经网络权值、阂值进行寻优,提出IBSA-BPNN优化模型,并通过实验验证。最后,将IBSA-BPNN优化模型应用于田纳西-伊斯曼过程(Tennessee-Eastman Process,TEP)故障诊断中。结果表明:提出的IBSA-BPNN模型诊断误差最小,这对于过程生产和社会具有一定的价值。 本论文研究工作表明:提出的基于改进鸟群算法的BP神经网络优化方法具有一定的有效性和可用性,具有一定的创新性;论文研究工作具有一定的实际应用价值。