论文研究-基于自适应花授粉算法的BP神经网络结构优化.pdf

传统的BP神经网络通过梯度下降法来调整网络的权值和阈值，使网络存在易陷入局部最优且收敛速度慢等缺陷，在很大程度上限制了BP神经网络的应用。针对BP网络存在的不足，提出利用自适应花授粉算法来优化BP网络的权值和阈值。对花授粉算法（FPA）中的转换概率做自适应调整，并引入自适应的变异因子，提出了自适应的花授粉算法（SFPA）；通过两种不同的结合方式将SFPA与BP神经网络进行融合，从而提出了SFPA1-BP神经网络和SFPA2-BP神经网络；通过函数逼近实验和数据集分类实验对新网络的性能进行验证。结果表明，SFPA1-BP和SFPA2-BP在函数逼近和分类方面都优于标准BP网络，且SFPA1-BP具有更高的泛化能力及学习能力。