基于单形进化的多项式神经网络训练算法

2021-09-14魏巍王慧

电脑知识与技术 2021年22期

魏巍王慧

摘要：在多项式神经网络训练算法中，当采用智能优化算法进行学习优化时，智能优化算法的控制参数对学习效果有很大影响，针对这一问题，本文提出了一种多项式神经网络的智能优化方法，其的控制参数是通过对单形领域的完全随机搜索来使用的，且粒子的多样性是通过种群的多特征状态来维持的，以避免算法陷入局部最优解，试验结果表明，该算法训练的神经网络不仅能有效提高识别率，而且能减小控制参数对学习性能的影响，提高算法的整体鲁棒性。

关键词：多项式神经网络;识别率;进化策略;分类

Abstract： In the polynomial neural network training algorithm， when the intelligent optimization algorithm is used for learning optimization， the control parameters of the intelligent optimization algorithm have a great impact on the learning effect. In order to solve this problem， this paper proposes an intelligent optimization method of polynomial neural network， whose control parameters are used by completely random search in the simplex field， The experimental results show that the neural network trained by the algorithm can not only effectively improve the recognition rate， but also reduce the influence of control parameters on the learning performance， and improve the overall robustness of the algorithm.

Key words： polynomial neural network; Recognition rate; Evolutionary strategy; classification

1 引言

随着信息技术的不断发展，人工智能也在不断发展。在20世纪40年代，一个跨学科的人工神经网络被开发出来。它是一个简化的人工智能系统，模拟生物神经系统的结构、过程和功能[1]，作为人类智能研究的重要组成部分，生物神经系统的处理和功能可以应用于许多学科，因此，它已成为许多学科关注的焦点[2]。由于人工神经网络是一种最接近人类实现的机器学习算法，目前已有近40种神经网络模型[3-7]。虽然人类学习如何区分事物很容易，但生物学的过程非常简单。另外，参数对神经网络有很大的影响。

多项式神经网络（PNN）是根据用户的需要自动生成网络层和节点的一种神经网络学习算法，具有很强的自适应能力。在高度非线性系统仍然存在一些缺陷，网络变得非常复杂[8]。

目前，大多数学者对全局优化问题感到困惑，提出了许多不同的全局优化算法，但该算法仍存在一些不足。例如，为了避免在搜索过程中陷入局部最优，大多数算法都是通过设置多个控制参数来实现的。同时，大多数改进算法都是通过增加算法的复杂度或引入更多的控制参数来实现的。这必然导致计算速度的降低和计算时间的延长。

在此基础上，本文将单形进化智能优化算法引入到多项式神经网络中进行学习。

2 多项式核函数神经网络

考虑到實际应用数据的相关性，本文选取具有全局性的多项式核函数[9]，设d为正整数，则d阶齐次多项式函数为：

3 基于单形进化的多项式神经网络训练算法

3.1 一种新的智能优化算法

本文提出了一种新的智能优化算法，对新的智能优化算法的具体性能和原理、算法的理解在文献[10]中有较好的认识。该新的优化算法的目的是提高智能优化算法的收敛性和稳定性。新的智能优化算法训练多项式神经网络的基本步骤如下[17-18]：

（1）根据搜索空间的均匀分布，将X个粒子进行初始化和随机定位;

4 仿真实验

4.1 数据集概述

为了保证实验结果的可靠性和准确性，本文在UCI数据库中选取了两组数据集，对特征进行测试。