李冬梅

摘 要：文章提出了一種建立在免疫克隆算法基礎(chǔ)之上的，協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化工作方案。在對協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)一般性概念進(jìn)行分析的基礎(chǔ)之上，提出了免疫克隆算法在作用于參數(shù)優(yōu)化領(lǐng)域中的操作步驟，使得該方法對于不平衡注意參數(shù)環(huán)境下的優(yōu)化工作更具適應(yīng)性。

關(guān)鍵詞：免疫克?。粎f(xié)同神經(jīng)網(wǎng)絡(luò)；參數(shù)；優(yōu)化

當(dāng)前，對于協(xié)同神經(jīng)網(wǎng)絡(luò)的研究多集中在對注意參數(shù)的設(shè)置，以及對原型模式向量選擇這兩個(gè)方面。以平衡注意參數(shù)條件為基本運(yùn)行環(huán)境，協(xié)同神經(jīng)網(wǎng)絡(luò)的輸出可以通過對序參量初始狀態(tài)數(shù)值的分析方法而加以判定。從這一角度上來說，對于協(xié)同神經(jīng)網(wǎng)絡(luò)而言，在原型向量目標(biāo)模式處于既定條件的情況下，該網(wǎng)絡(luò)在自學(xué)習(xí)能力方面存在明顯的缺失，由此可能對協(xié)同神經(jīng)網(wǎng)絡(luò)目標(biāo)識別方面的能力產(chǎn)生極為不良的影響。針對此情況，本文將免疫克隆算法引入?yún)f(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化過程中，現(xiàn)對其做詳細(xì)分析與探討。

1 協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)分析

2 基于免疫克隆算法的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方案分析

步驟八：判定停機(jī)條件的滿足程度：在有關(guān)協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的過程當(dāng)中，多將具體的訓(xùn)練樣本分類識別數(shù)據(jù)作為對象，在該指標(biāo)滿足預(yù)設(shè)精度水平的情況下作為停機(jī)的執(zhí)行標(biāo)準(zhǔn)。核定滿足停機(jī)條件后，對迭代過程中所保留的最優(yōu)個(gè)體作為網(wǎng)絡(luò)參數(shù)的最優(yōu)解。反之，若無法滿足預(yù)設(shè)的精度水平，無法停機(jī)，則對當(dāng)前子代中所對應(yīng)的最有個(gè)體進(jìn)行結(jié)合與保留，并再次進(jìn)入前文中的步驟三，對種群進(jìn)行克隆操作。

按照本文所引入免疫克隆算法方式，在將其作用于協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的過程當(dāng)中，使參數(shù)優(yōu)化期間的局部尋優(yōu)能力得到了顯著提升，對于不平衡注意參數(shù)環(huán)境條件有良好的適應(yīng)性特征，且能夠支持對迭代步長的自適應(yīng)調(diào)整需求，表現(xiàn)出了良好的收斂性能，值得相關(guān)工作人員展開進(jìn)一步的研究與分析。

[參考文獻(xiàn)]

[1]岳恒，張海軍，柴天佑，等.基于混合粒子群算法的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化[J].控制工程，2006，13（6）：525-529.

[2]齊小剛，王云鶴.基于模擬退火算法的Hopfield神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2011，29（6）：585-589.