文献类型：期刊文章

作　　者：韦鹏宇[1,2,3] 潘福成[1,2,4] 李帅[4]

WEI Pengyu;PAN Fucheng;LI Shuai(Wuxi CAS Ubiquitous Information Technology R&D Center CO.,LTD.,Wuxi,Jiangsu 214135,China;University of Chinese Academy of Sciences,Beijing 100049,China;Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China;Research and Development Center for Internet of Things,Chinese Academy of Sciences,Wuxi,Jiangsu 214135,China)

机构地区：[1]无锡中科泛在信息技术研发中心有限公司,江苏无锡214135 [2]中国科学院大学,北京100049 [3]中国科学院物联网研究发展中心,江苏无锡214135 [4]中国科学院沈阳自动化研究所,沈阳110016

出　　处：《计算机工程与应用》

基　　金：辽宁省科学技术计划项目(No.2015106015)

年　　份：2018

卷　　号：54

期　　号：10

起止页码：158-163

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对BP神经网络对初始权重敏感,容易陷入局部最优,人工蜂群算法局部搜索能力和开发能力相对较弱等问题,提出一种基于改进人工蜂群和反向传播的神经网络训练方法。引进差分进化思想改进人工蜂群算法,并对跟随蜂的搜索行为进行更准确的描述。用改进的人工蜂群全局搜索神经网络的初始权重,防止神经网络陷入局部最优。用新的方法对神经网络训练进行分类。实验结果表明,该算法相对于标准的BP神经网络,有效提高了分类正确率,泛化能力较强。

关 键 词：BP神经网络 分类  泛化能力 人工蜂群

分 类 号：TP183]