基于免疫克隆算法的協同神經網絡參數優化研究

李冬梅

摘 要：文章提出了一種建立在免疫克隆算法基礎之上的，協同神經網絡參數優化工作方案。在對協同神經網絡參數一般性概念進行分析的基礎之上，提出了免疫克隆算法在作用于參數優化領域中的操作步驟，使得該方法對于不平衡注意參數環境下的優化工作更具適應性。

關鍵詞：免疫克隆；協同神經網絡；參數；優化

當前，對于協同神經網絡的研究多集中在對注意參數的設置，以及對原型模式向量選擇這兩個方面。以平衡注意參數條件為基本運行環境，協同神經網絡的輸出可以通過對序參量初始狀態數值的分析方法而加以判定。從這一角度上來說，對于協同神經網絡而言，在原型向量目標模式處于既定條件的情況下，該網絡在自學習能力方面存在明顯的缺失，由此可能對協同神經網絡目標識別方面的能力產生極為不良的影響。針對此情況，本文將免疫克隆算法引入協同神經網絡參數優化過程中，現對其做詳細分析與探討。

1 協同神經網絡參數分析

2 基于免疫克隆算法的協同神經網絡參數優化方案分析

步驟八：判定停機條件的滿足程度：在有關協同神經網絡參數優化的過程當中，多將具體的訓練樣本分類識別數據作為對象，在該指標滿足預設精度水平的情況下作為停機的執行標準。核定滿足停機條件后，對迭代過程中所保留的最優個體作為網絡參數的最優解。反之，若無法滿足預設的精度水平，無法停機，則對當前子代中所對應的最有個體進行結合與保留，并再次進入前文中的步驟三，對種群進行克隆操作。

按照本文所引入免疫克隆算法方式，在將其作用于協同神經網絡參數優化的過程當中，使參數優化期間的局部尋優能力得到了顯著提升，對于不平衡注意參數環境條件有良好的適應性特征，且能夠支持對迭代步長的自適應調整需求，表現出了良好的收斂性能，值得相關工作人員展開進一步的研究與分析。

[參考文獻]

[1]岳恒，張海軍，柴天佑，等.基于混合粒子群算法的RBF神經網絡參數優化[J].控制工程，2006，13（6）：525-529.

[2]齊小剛，王云鶴.基于模擬退火算法的Hopfield神經網絡參數優化[J].吉林大學學報（信息科學版），2011，29（6）：585-589.