GIHS-TSFNN并行学习算法及其应用研究

针对传统T-S模糊神经网络的随机初始网络参数导致网络学习速度慢、易陷入局部解以及运算精度低等缺陷,提出了一种应用佳点集的改进和声搜索算法(GIHS)优化T-S模糊神经网络的并行学习算法.首先应用佳点集择优构造更加高质量的初始和声库,然后搜索过程中进行参数动态调整,并且每次迭代产生多个新解,充分利用和声记忆库的信息,以提高算法的全局搜索能力和收敛速度.其次,将GIHS算法与T-S神经网络相结合构建并行学习算法,实现两种算法的并行交互集成,得到了最优参数配置以提高T-S模糊神经网络的泛化能力.最后将该算法应用到农业干旱等级预测中以解决旱情评估问题.仿真实验表明,GIHS算法性能优于基本HS和IHS算法,且与T-S模糊神经网络、HS算法优化的T-S模糊神经网络和IHS算法优化的T-S模糊神经网络相比,具有更高的预测准确度.