QPSO算法的改进及其在DBN参数优化中应用

摘要：

为了提升标准量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络(Depth Belief Network,DBN)模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率.将通过改进后QPSO算法进行参数寻优的DBN网络(LQ_DBN)应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果.

关键词：深度置信网络(DBN)、量子粒子群算法(QPSO)、形状检测、深度学习

所属期刊栏目：57

分类号：TP301.6(计算技术、计算机技术)

资助基金：2018年度贵州省教育厅青年科技人才成长项目;贵州师范学院"大地论文工程"科研项目;2016年贵州省科学技术基金计划项目;2018年度国家科技部和国家自然科学基金奖励补助项目;贵州省省级重点学科"计算机科学与技术";2016年贵州省省级重点支持学科"计算机应用技术"

在线出版日期：2021-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：154-162