- 引言
BP神經網絡因梯度下降法的固有缺陷,常出現訓練震蕩和早熟收斂。海洋捕食算法(MPA)受海洋生物覓食行為啟發,其分階段搜索策略(高速游動→自適應步長→局部開發)能有效平衡全局探索與局部開發。本文通過MPA優化BP初始權值及學習率,構建混合優化模型。
- 方法論
2.1 MPA算法原理
MPA模擬三類捕食行為:
Levy飛行階段(迭代初期):全局隨機搜索,數學描述為:
X i t + 1 = X
BP神經網絡因梯度下降法的固有缺陷,常出現訓練震蕩和早熟收斂。海洋捕食算法(MPA)受海洋生物覓食行為啟發,其分階段搜索策略(高速游動→自適應步長→局部開發)能有效平衡全局探索與局部開發。本文通過MPA優化BP初始權值及學習率,構建混合優化模型。
2.1 MPA算法原理
MPA模擬三類捕食行為:
Levy飛行階段(迭代初期):全局隨機搜索,數學描述為:
X i t + 1 = X
本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。 如若轉載,請注明出處:http://www.pswp.cn/pingmian/85191.shtml 繁體地址,請注明出處:http://hk.pswp.cn/pingmian/85191.shtml 英文地址,請注明出處:http://en.pswp.cn/pingmian/85191.shtml
如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!