(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639305.3 (22)申请日 2021.12.2 9 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省阜新市细河区中华路 47号 (72)发明人 刘威　朱乙鑫　郭旭颖　郭直清　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 代理人 李梁 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/00(2006.01) (54)发明名称 一种基于改进ASO算法的BP神经网络参数优 化方法 (57)摘要 本发明提供一种基于改进ASO算法的BP神经 网络参数优化方法， 涉及神经网络技术领域。 该 方法首先对数据集进行预处理及BP神经网络的 参数初始化， 然后利用预处理后的数据集对BP神 经网络进行初始网络训练得到网络权值和阈值， 并对网络权值和 阈值进行实值编码形成初始个 体， 得到初始原子种群； 并将BP神经网络的训练 误差作为个体适应度值， 得到适应度函数； 再采 用改进ASO算法更新原子种群并采用适应度函数 计算更新后原子种群中个体适应度值； 最后更新 BP神经网络的权值和阈值并利用更新后的BP神 经网络对数据集进行分类。 该方法将改进ASO算 法应用于BP神经网络参数优 化， 在对BP神经网络 参数优化时表现出 更高的分类性能。 权利要求书2页 说明书18页 附图5页 CN 114330659 A 2022.04.12 CN 114330659 A 1.一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在于： 通过改进ASO算法 优化BP神经网络初始权值和阈值， 并将BP神经网络的训练误差作为个体的适应度值， 最后 选择最优初始权值和阈值构建BP神经网络分类模型， 具体包括以下步骤： 步骤1、 对数据集进行 预处理及BP神经网络的参数初始化； 步骤2、 权值与阈值参数编码； 利用预处理后的数据集对BP神经网络进行初始网络训练 得到网络权值和阈值， 并对网络权值和阈值进行实值编码形成初始个体， 得到初始原子种 群； 步骤3、 计算初始原子种群适应度； 将BP神经网络的训练误差作为个体适应度值， 得到 适应度函数； 步骤4、 对原子种群进行寻优更新； 采用改进ASO算法更新原子种群并采用适应度函数 计算更新后原子种群中个 体适应度值； 步骤4.1、 采用Tent映射初始化原子种群； 步骤4.2、 采用振幅函数对ASO算法的深度函数与拉格朗日乘子进行优化， 进而重新定 义各原子在迭代时的加速度； 步骤4.3、 引入步长演变因子对原子位置更新公式进行修正， 使原子位置更新过程随迭 代次数增 加而逐渐 变慢直至不再变化； 步骤5、 判定是否满足终止条件， 即是否达到给定的最大迭代次数， 若满足则输出最优 个体及最优权值和阈值； 反 之跳转到步骤4继续执 行优化； 步骤6、 更新BP神经网络的权值和阈值并利用更新后的BP神经网络对数据集进行分类。 2.根据权利要求1所述的一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在 于： 所述步骤1的具体方法为： 设数据集为Dataset， 并对数据集Dataset进行预处理； 初始化BP神经网络输入层节点 为a， 隐含层节点 为b， 输出层节点 为c， 原子个 体维度为Dim， 如下公式所示： Dim＝a×b+b+b×c+c。 3.根据权利要求2所述的一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在 于： 步骤3所述 适应度函数如下公式所示： 式中， fi(x)为适应度函数， 为BP神经网络期望输出值， yi为BP神经网络实际输出值， 表示BP神经网络的训练误差 。 4.根据权利要求3所述的一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在 于： 所述步骤4.1的具体方法为： 从解空间的初始解分布均匀性出发， 利用混沌序列随机性和遍历性的特点引入Tent映 射初始化原子种群， Tent映射如下公式所示： 其中， xN为通过探测机制寻到的最差群 体， xN+1为经过Tent映射产生的新群 体； 对Tent映射进行伯努利位移变化后得：权　利　要　求　书 1/2 页 2 CN 114330659 A 2xN+1＝(2xN)mod 1 其中， N为原子个数， 初始种群的大小由原子个数N和搜索空间维度D决定 。 5.根据权利要求4所述的一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在 于： 所述步骤4.2的具体方法为： 引入振幅函数对ASO算法中的深度函数η(t)与拉格朗日乘子λ(t)进行修正， 引入的振 幅函数s(t)定义 为： s(t)＝rand(|cos(d ×t+N)|) 其中， N为原子个数， t为迭代次数， d为原子搜索空间维度， rand为随机函数， 表示在振 幅函数生成的数中随机 选择一个作为 最终作用于参数 η(t)与 λ(t)的波动因子； 对振幅函数进行修 正， 得到修 正后振幅函数为： s′(t)＝rand(|cos(d ×t+N)|)+1 经过振幅函数作用后的深度函数 η(t)与拉格朗日乘子 λ(t)重新定义 为： 式中， s(t)称为振幅因子， α 为深度权 重， β 为乘数权 重， T为最大迭代次数； 进而将第i个原子在t次迭代时加速度重新定义 为： 式中， 为第i个原子在第d个维度下第t 次迭代时的位置， 为第i个原子在第d个 维度下第t次迭代时的加速度， 为第i个原子在第d个维度下第t次迭代时的质量； hij (t)为两个原子之间的距离， randij是[0,1]中的一个随机数， Kbest是原子总体的一个子 集， 由具有最佳函数适应值的前k个原子组成。 6.根据权利要求5所述的一种基于改进ASO算法的BP神经网络参数优化方法， 其特征在 于： 步骤4.3所述原子位置更新公式为： 其中， 为第i个原子第t次迭代时位置， 为第i个原子第t+1次迭代时位置， 为第i个原子第t+1次迭代时的速度， ω(t)为模拟原子位置更新过程的步长演变因 子， t为迭代次数， d为原子 搜索空间维度， T为 最大迭代次数。权　利　要　求　书 2/2 页 3 CN 114330659 A 3