刘志刚，许少华，李盼池

(1.东北石油大学计算机与信息技术学院，黑龙江大庆　163318；2.山东科技大学信息科学与工程学院，山东青岛　266590)



文章编号：1000-5641(2016)04-0086-10

一种基于粒子群优化的极限学习过程神经网络

刘志刚1，许少华2，李盼池1

(1.东北石油大学计算机与信息技术学院，黑龙江大庆163318；2.山东科技大学信息科学与工程学院，山东青岛266590)

本文针对过程神经元网络(Process Neural Network，PNN)模型学习参数较多，正交基展开后的梯度下降算法初值敏感、计算复杂、不易收敛等问题，结合极限学习机(Extreme Learning Machine，ELM)的快速学习特性，提出了一种新型的极限学习过程神经元网络.学习过程中摒弃梯度下降算法的迭代调整策略，采用Moore-Penrose广义逆计算输出权值矩阵.同时为弥补极限学习机由于随机赋值造成的不足，利用粒子群算法(Particle Swarm Optimization，PSO)良好的全局搜索能力进行模型参数优化，获得紧凑的网络结构，提高了模型泛化能力.仿真实验以Henon混沌时间序列和太阳黑子预测为例，验证了网络的有效性.

过程神经元网络；极限学习机；粒子群；Moore-Penrose广义逆；网络训练

现实世界中，许多系统的输入信号是与时间有关的函数过程，为更好地逼近系统，文献[1]提出了过程神经元网络(PNN)，模型的输入、权值和输出都可以是与时间有关的函数，隐层包含时空聚合算子，可完成信号的空间聚合和时间累积，减小传统神经网络在逼近复杂非线性系统时的误差.文献[2]研究了模型的连续性、逼近性等性质.在模型构造方面，相继提出了自组织[3]、小波[4]、量子[5]等……