人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)系統(tǒng)組成、功能結(jié)構(gòu)和工作方式的分布式并行處理運算模型。人工神經(jīng)網(wǎng)絡(luò)是二十世紀科學技術(shù)發(fā)展中所取得的重大成果之一,是人類社會發(fā)展史上又一個重要的里程碑。BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)是目前發(fā)展最快、使用最廣泛的人工神經(jīng)網(wǎng)絡(luò)。但是,隨著人們對BP算法研究的不斷深入,發(fā)現(xiàn)算法也存在一些缺陷,主要表現(xiàn)在算法容易陷入局部極值點、可能存在不收斂等問題。針對BP網(wǎng)絡(luò)算法的缺陷,本文采用人工魚群算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。然而在使用人工魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的過程中,發(fā)現(xiàn)了人工魚群算法后期尋優(yōu)容易出現(xiàn)震蕩、尋優(yōu)速度慢的問題,因此,本文首先對人工魚群算法的缺點進行改進,提出了一種分層人工魚群算法（LAFSA）,然后再使用LAFSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),并把優(yōu)化后的算法應(yīng)用在Web安全方面。本文的工作主要有以下三個方面。第一:針對人工魚群算法在尋優(yōu)過程中容易出現(xiàn)震蕩和速度慢的問題,本文提出了一種分層人工魚群算法（LAFSA）。該算法引入了混合蛙跳算法的分層、分組的核心思想,并且非線性的改變?nèi)斯~的步長、視野和擁擠度因子,可以使算法在后期進行精細化的搜索。通過實... 

【文章來源】：河北工業(yè)大學天津市 211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

Himmelblau函數(shù)的圖像

河北工業(yè)大學碩士學位論文-25-該函數(shù)是典型的不可分離的非等距的二維多極值函數(shù)，在其定義域內(nèi)存在一個極大值和四個極小值點，極大值點為(0.270854,0.923239)=181.617。四個極小值點分別為(3.0,2.0)=0,(2.80513,3.1313)=0，(3.7793,3.2831)=0,(3.5844,1.8481)=0。Himmelblau函數(shù)的圖像如圖3.2所示。圖3.2Himmelblau函數(shù)的圖像（2）測試函數(shù)2：Rosenbrock函數(shù)，此函數(shù)的全局極小值點位于一個狹小的拋物面上，函數(shù)在優(yōu)化過程中收斂到全局極小值點是非常困難的，兩個變量的Rosenborck函數(shù)如下所示。222f(x,y)=(1x)+100(yx)x,y(100,100)函數(shù)的全局極值點為(1,1)=0，Rosenbrock函數(shù)的曲線圖如圖3.3所示。圖3.3Rosenbrock函數(shù)的圖像

應(yīng)用人工魚群算法對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化研究-26-（3）測試函數(shù)3：測試函數(shù)：Rastrigin函數(shù)，此函數(shù)是一個非凸的多峰函數(shù)，經(jīng)常用作優(yōu)化算法的性能測試。函數(shù)在定義域內(nèi)當=0,=1,2,…,時取得全局極小值點，即(0,…,0)=0。21()10(10cos(2))1,2,,==+=niiifxnxxin其中定義∈(5.13,5.13)，Rastrigin函數(shù)圖像如圖3.4所示。圖3.4Rastrigin函數(shù)的圖像（4）測試函數(shù)4：Sphere函數(shù)，此函數(shù)的全局極小值在xi=0點處取得，即(0,…,0)=0。21()==niifxx該函數(shù)的定義域設(shè)為∈(5,5)，Sphere函數(shù)的圖像如圖3.5所示。圖3.5Sphere函數(shù)的圖像

【參考文獻】：
期刊論文
[1]人工魚群算法收斂速度改進優(yōu)化仿真[J]. 李君,梁昔明.  計算機仿真. 2018(01)
[2]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在電力負載預(yù)測中的應(yīng)用[J]. 張宗華,趙京湘,盧享,牛新征.  計算機工程. 2017(10)
[3]基于PSO-BP神經(jīng)網(wǎng)絡(luò)的入侵檢測技術(shù)優(yōu)化算法的研究[J]. 雷宇飛,林玉梅.  軟件工程. 2017(09)
[4]Sigmoid函數(shù)的分段非線性擬合法及其FPGA實現(xiàn)[J]. 宋宇鯤,高曉航,張多利,杜高明.  電子技術(shù)應(yīng)用. 2017(08)
[5]一種基于XSS攻擊防御的安全CDN研究[J]. 錢銘銘,康錦濤,陳舟寧.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(07)
[6]XSS跨站攻擊原理與調(diào)查方法研究[J]. 黃波,孫羽壯.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(06)
[7]基于改進BP神經(jīng)網(wǎng)絡(luò)的非均衡數(shù)據(jù)分類算法[J]. 張文東,呂扇扇,張興森.  計算機系統(tǒng)應(yīng)用. 2017(06)
[8]基于啟發(fā)式人工魚群算法的全局優(yōu)化問題研究[J]. 張晨威.  江蘇科技信息. 2017(16)
[9]淺談計算機網(wǎng)絡(luò)安全問題及其對策[J]. 韓琦.  數(shù)字技術(shù)與應(yīng)用. 2017(05)
[10]多層自適應(yīng)模塊化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計[J]. 張昭昭,喬俊飛,余文.  計算機學報. 2017(12)

博士論文
[1]人工魚群智能優(yōu)化算法的改進及應(yīng)用研究[D]. 張梅鳳.大連理工大學 2008
[2]一種新型的智能優(yōu)化方法-人工魚群算法[D]. 李曉磊.浙江大學 2003

碩士論文
[1]幾種損失函數(shù)下的信度模型研究[D]. 房婷婷.新疆大學 2017
[2]SQL注入與XSS攻擊防范方法的研究以及防范模型的設(shè)計與實現(xiàn)[D]. 盧俊.北京郵電大學 2011



本文編號：3604043