基于混沌天牛群算法优化的神经网络分类模型

摘要：

针对传统反向传播(back-propagation,BP)神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型.通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logistic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果.为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集.将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立改进的天牛须搜索及反向传播神经网络(improved beetle antennae search and back propagation neural network,IBAS-BPNN)分类模型,提高BP神经网络分类模型的准确率.为验证分类模型的性能,将改进的BP神经网络分类模型与其他6种典型的分类算法进行比较.实验结果表明:IBAS-BPNN分类模型的平均分类正确率高于其他算法.改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性.

关键词：天牛须搜索(BAS)算法、反向传播(BP)神经网络、Logistic混沌、SMOTE算法、分类

所属期刊栏目：22

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;广西科技重大专项;广西重点研发项目

在线出版日期：2022-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：4854-4863