1.一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:通过改进ASO算法优化BP神经网络初始权值和阈值,并将BP神经网络的训练误差作为个体的适应度值,最后选择最优初始权值和阈值构建BP神经网络分类模型,具体包括以下步骤:步骤1、对数据集进行预处理及BP神经网络的参数初始化;
步骤2、权值与阈值参数编码;利用预处理后的数据集对BP神经网络进行初始网络训练得到网络权值和阈值,并对网络权值和阈值进行实值编码形成初始个体,得到初始原子种群;
步骤3、计算初始原子种群适应度;将BP神经网络的训练误差作为个体适应度值,得到适应度函数;
步骤4、对原子种群进行寻优更新;采用改进ASO算法更新原子种群并采用适应度函数计算更新后原子种群中个体适应度值;
步骤4.1、采用Tent映射初始化原子种群;
步骤4.2、采用振幅函数对ASO算法的深度函数与拉格朗日乘子进行优化,进而重新定义各原子在迭代时的加速度;
步骤4.3、引入步长演变因子对原子位置更新公式进行修正,使原子位置更新过程随迭代次数增加而逐渐变慢直至不再变化;
步骤5、判定是否满足终止条件,即是否达到给定的最大迭代次数,若满足则输出最优个体及最优权值和阈值;反之跳转到步骤4继续执行优化;
步骤6、更新BP神经网络的权值和阈值并利用更新后的BP神经网络对数据集进行分类。
2.根据权利要求1所述的一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:所述步骤1的具体方法为:
设数据集为Dataset,并对数据集Dataset进行预处理;初始化BP神经网络输入层节点为a,隐含层节点为b,输出层节点为c,原子个体维度为Dim,如下公式所示:Dim=a×b+b+b×c+c。
3.根据权利要求2所述的一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:步骤3所述适应度函数如下公式所示:式中,fi(x)为适应度函数, 为BP神经网络期望输出值,yi为BP神经网络实际输出值,表示BP神经网络的训练误差。
4.根据权利要求3所述的一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:所述步骤4.1的具体方法为:从解空间的初始解分布均匀性出发,利用混沌序列随机性和遍历性的特点引入Tent映射初始化原子种群,Tent映射如下公式所示:其中,xN为通过探测机制寻到的最差群体,xN+1为经过Tent映射产生的新群体;
对Tent映射进行伯努利位移变化后得:xN+1=(2xN)mod 1
其中,N为原子个数,初始种群的大小由原子个数N和搜索空间维度D决定。
5.根据权利要求4所述的一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:所述步骤4.2的具体方法为:引入振幅函数对ASO算法中的深度函数η(t)与拉格朗日乘子λ(t)进行修正,引入的振幅函数s(t)定义为:
s(t)=rand(|cos(d×t+N)|)其中,N为原子个数,t为迭代次数,d为原子搜索空间维度,rand为随机函数,表示在振幅函数生成的数中随机选择一个作为最终作用于参数η(t)与λ(t)的波动因子;
对振幅函数进行修正,得到修正后振幅函数为:s′(t)=rand(|cos(d×t+N)|)+1经过振幅函数作用后的深度函数η(t)与拉格朗日乘子λ(t)重新定义为:式中,s(t)称为振幅因子,α为深度权重,β为乘数权重,T为最大迭代次数;
进而将第i个原子在t次迭代时加速度重新定义为:式中, 为第i个原子在第d个维度下第t次迭代时的位置, 为第i个原子在第d个维度下第t次迭代时的加速度, 为第i个原子在第d个维度下第t次迭代时的质量;hij(t)为两个原子之间的距离,randij是[0,1]中的一个随机数,Kbest是原子总体的一个子集,由具有最佳函数适应值的前k个原子组成。
6.根据权利要求5所述的一种基于改进ASO算法的BP神经网络参数优化方法,其特征在于:步骤4.3所述原子位置更新公式为:其中, 为第i个原子第t次迭代时位置, 为第i个原子第t+1次迭代时位置,为第i个原子第t+1次迭代时的速度,ω(t)为模拟原子位置更新过程的步长演变因子,t为迭代次数,d为原子搜索空间维度,T为最大迭代次数。