[发明专利]一种混沌粒子群优化小波神经网络的方法

说明书

本发明提供一种混沌粒子群优化小波神经网络的方法。一种混沌粒子群优化小波神经网络的方法，其中，包括以下步骤：S1.将小波变换和神经网络有机结合，搭建小波神经网络；S2.初始化粒子群，为小波神经网络的参数赋予初始值，并将小波神经网络的输出误差定义为粒子群的适应度函数；S3.进行迭代处理，每次迭代中，计算每个粒子的局部极值以及所有粒子的全局极值，同时更新粒子的位置向量和速度向量；S4.当达到最大迭代次数时，退出优化算法。本发明的方法将小波变换和神经网络有机结合起来，构建小波神经网络结构，并利用混沌粒子群优化算法优化网络，能够提高网络训练精度。

技术领域

本发明涉及人工智能技术领域，更具体地，涉及一种混沌粒子群优化小波神经网络的方法。

背景技术

信号分类包括特征提取和分类器分类两个步骤。在特征提取方面，小波变换法由于在时频域分析信号，具有良好的局部化特性，可以很好表征信号，已广泛应用于信号的特征提取。在分类器选取方面，人工神经网络由大量处理单元互联组成，具有自学习、自组织、自适应等特点，已成功应用于信号分类。如何将小波变换特征提取方法和神经网络分类器的优势结合起来，成为人们关注的问题。

为将两者优势有机结合，传统的方法是基于小波变换进行电能质量扰动信号特征向量提取，并将特征向量作为网络的输入进行分类。但分类过程中，小波变换和神经网络是两个完全独立的部分。

发明内容

本发明为克服现有技术中的至少一项缺陷，提供一种混沌粒子群优化小波神经网络的方法。本发明的方法将小波变换和神经网络有机结合起来，构建小波神经网络结构，并利用混沌粒子群优化算法优化网络，能够提高网络训练精度。

为解决上述技术问题，本发明采用的技术方案是：一种混沌粒子群优化小波神经网络的方法，其中，包括以下步骤：

S1.将小波变换和神经网络有机结合，搭建小波神经网络；

S2.初始化粒子群，为小波神经网络的参数赋予初始值，并将小波神经网络的输出误差定义为粒子群的适应度函数；

S3.进行迭代处理，每次迭代中，计算每个粒子的局部极值以及所有粒子的全局极值，同时更新粒子的位置向量和速度向量；

S4.当达到最大迭代次数时，退出优化算法。

进一步的，所述步骤S1中，搭建的小波神经网络包括输入层、小波层、隐含层以及输出层；其中，定义x(k)和K分别为网络输入层的第k个输入值和节点数；Z_j和J分别为网络小波层的第j个输出值和节点数；Y_i和I分别为网络隐含层的第i个输出值和节点数；O_p和P分别为网络输出层的第p个输出值和节点数；W_ji为小波层节点j和隐含层节点i的连接权值；W_ip为隐含层节点i和输出层节点p的连接权值；h为网络小波层采用的母小波函数；a_j和b_j分别为母小波函数的尺度因子和位移因子；σ为网络隐含层和输出层采用的传递函数，则小波神经网络的输出O_p为：

进一步的，所述步骤S2中，具体包括如下步骤：

S21.设置粒子群的粒子数M，加速常数c₁和c₂，惯性权重系数粒子群的最大迭代次数N₁，混沌的最大迭代次数N₂；

S22.初始化粒子群位置向量，即为小波神经网络的参数赋予初始值：