基于交叉運算的人工蜂群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的腦電信號分類

1、基于交叉運算的人工蜂群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的腦電信號分類摘要為了提高腦電信號的分類準(zhǔn)確率，提出一種基于人工蜂群算法和BP神經(jīng)網(wǎng)絡(luò)的分類方法。針對反向傳播 (P)神經(jīng)網(wǎng)絡(luò)存在全局搜索能力差、對初始權(quán)重敏感和人工蜂群算法的搜索公式精于探索但疏于開發(fā)等問題，采 用全局搜索因子來增強人工蜂群算法的開發(fā)能力，再加入交叉運算來解決人工蜂群算法的全局搜索。采用改進的 算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對初始權(quán)重敏感的問題，進而實現(xiàn)對腦電信號的分類。實驗結(jié)果表明，所提算法對腦電信 號的分類準(zhǔn)確率更高，分類準(zhǔn)確率達到91.5%，而且可以加快收斂速度關(guān)鍵詞 光計算&神經(jīng)網(wǎng)絡(luò)&腦電信號&人工蜂群;交叉運算Classificatio

2、n of Electroencephalography Based on BP Neural NetworkOptimized By Crossover Operat i on of Artificial Bee Colon i esAbstract In order to improve the classification accuracy of EEG signals， a classification method based on an artificial bee colony algorithm and back propagation (BP) neural network i

3、s implemented. In order to improve the poor global search abilities and sensitivity to initial we i ghts of BP neural networks，the global search factor is used to enhance an artificial bee colony algorthm search formula， which is proficient in exploration but required further development. A crossove

4、r operaton is used to improve the global search capacty of the artificial bee colony algorthm. This enhanced algorthm is further used to optimize the sensitivity of the BP neural network to initial weights，enabiing classification of EEG signals. The experiment results show that the proposed algorith

5、m produces a highly accurate EEG signal classification of 91.5% with an accelerated convergence speed.Key words optics in comput i ng& neural network； electroencephalography& artificial bee colony； crossover operat i on OCIS codes 200.4260； 100.4996； 330.50001引 言腦機接口(BCI)(1)不依賴于外周神經(jīng)和肌肉 便可以直接實現(xiàn)對肢體和外部

6、設(shè)備的控制，其將 大腦發(fā)出的腦電波(EEG)信號通過特定的傳感器 進行采集和分析處理來控制相應(yīng)的設(shè)備，在信號 處理的過程中，對于EEG的分類是至關(guān)重要的 一步目前，國內(nèi)外研究者提出了很多關(guān)于腦電信號 分類的方法，其中基于反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的分 類方法在腦電信號的分類方面一直占據(jù)較為重要的 地位。彭基偉等對遺傳算法中的編碼方式和適應(yīng) 度函數(shù)進行改進，實現(xiàn)了對BP神經(jīng)網(wǎng)絡(luò)中結(jié)構(gòu)和 參數(shù)的優(yōu)化，該方法的收斂速度快，但是訓(xùn)練時間較 長。Yang等(3)設(shè)計了一種基于遺傳算法優(yōu)化BP (GA-BP)神經(jīng)網(wǎng)絡(luò)的混合算法，該算法克服了原始 BP算法對初始值的依賴，但其收斂時間比BP神經(jīng) 網(wǎng)絡(luò)長。張小棟

7、等山提出了一種基于小波變換和人工神經(jīng)網(wǎng)絡(luò)模型映射的腦電信號分類方法，其分類 的準(zhǔn)確率最高可以達到85%。針對BP神經(jīng)網(wǎng)絡(luò)在分類過程中存在全局搜索 能力差、收斂速度慢和對初始權(quán)值敏感極易陷入局 部最優(yōu)的問題，多位學(xué)者采用了群體智能算法來優(yōu) 化BP神經(jīng)網(wǎng)絡(luò)，但是還存在許多缺點。其中GA$5% 易早期收斂，迭代后期出現(xiàn)收斂速度慢以及效率低 等現(xiàn)象;蟻群算法(AOC)$ %尋優(yōu)比較盲目，收斂速 度慢，容易出現(xiàn)早熟停滯的現(xiàn)象，尋優(yōu)過程中算法過 分集中，所以容易陷入局部最優(yōu)；基于人工蜂群 (ABC)算法沒有全局最優(yōu)值記憶的功能，致使該算 法因全局搜索能力不足而陷入局部最優(yōu)。針對上述不足，本文提出一種基于交

8、叉運算和 全局搜索因子的ABC優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分類方法, 即 CGABC-BP(Cross Global Artificial Bee Colon廣 BP)首先，雇傭蜂在鄰域中進行全局搜索以提高 算法的開發(fā)能力；其次,將相鄰鄰域和整個局域中尋 找的最優(yōu)值進行交叉融合以提高算法的全局尋優(yōu)能 力；最后，采用基于交叉運算和全局搜索因子的 ABC優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，避免BP神經(jīng)網(wǎng)絡(luò) 陷入局部最優(yōu)采用所提方法對腦電信號進行分 類，可以有效提高分類的正確率，使得腦電信號對外 部設(shè)備的控制更為精準(zhǔn)，在康復(fù)醫(yī)療等領(lǐng)域中起到 至關(guān)重要的作用。2改進的ABC算法2.1 ABC算法ABC算法是由土耳其學(xué)者Kar

9、aboga等在2005 年提出的，其是一種可以高效解決多變量函數(shù)優(yōu)化 問題的群體智能算法ABC算法的適應(yīng)性較 強，能夠利用蜜蜂之間尋優(yōu)的正反饋機制有效加快 全局尋優(yōu)的速度，尤其適用于求解諸如腦電信號等 非線性、非平穩(wěn)性且復(fù)雜的優(yōu)化問題$10%ABC算法中最優(yōu)蜜源所在的位置可以看作優(yōu) 化問題的最優(yōu)解，ABC采蜜的過程就是該算法尋找 全局最優(yōu)解的過程口1%。ABC算法中將蜜蜂分為雇 傭蜂、觀察蜂和偵察蜂三種，每個蜂種根據(jù)不同的分 工來完成在不同環(huán)境下的各階段工作。蜂群中雇傭 蜂和觀察蜂的數(shù)量相同，各占蜂群總數(shù)的1/2,但是 每個蜜源只有一個雇傭蜂。當(dāng)某個蜜源被雇傭蜂和 觀察蜂丟棄時，該蜜源對應(yīng)的雇

10、傭蜂就會變成偵察 蜂$12%。蜜源的含蜜量是ABC算法中優(yōu)化的適應(yīng)度 值，算法的本質(zhì)就是不斷進行迭代的過程，具體步驟初始化：設(shè)ABC算法可以隨機產(chǎn)生N個初 始解，即N個蜜源和雇傭蜂，每個解Xi (z = 1,2, 3, + ,N)對應(yīng)的蜜源是一個D維向量,D為優(yōu)化參 數(shù)的個數(shù)。初始化蜜源i的位置可以表示為X 8 =Xmin Jrand(0,1)(xmax xmn) , (1) 式中:X j . (Xmin,XmaY),其中 X min 和 X max 分別表示 搜索空間的最小值和最大值,j . (1, 2,+ , D) & rand(,)表示隨機函數(shù)。雇傭蜂全局搜尋新解：初始化之后，雇傭蜂開

11、始對蜜源位置或函數(shù)的解進行循環(huán)搜尋，并根據(jù)記 憶在限定區(qū)域內(nèi)隨機選擇蜜源x i以產(chǎn)生新的位置, 表達式為E ij = E 8 J %(E ij E 8),(2)式中E表示隨機選取的D維向量蜜源,k. (1, 2,，N),且k,% %表示控制搜索步長的隨機數(shù), %. $ 1,1%。產(chǎn)生新的蜜源E后，使用適應(yīng)度函 數(shù)分別求出初始解和新解的適應(yīng)度值，如果新解的 適應(yīng)度值大于初始解，則使用新解替代初始解，否則 將不可替代$13%。觀察蜂局部搜索：所有雇傭蜂完成搜索后，會 與觀察蜂分享蜜源和蜜源花蜜(適應(yīng)度值)，而觀察 蜂估計蜜源花蜜量的信息，以一定的概率選擇蜜源 位置并在其附近搜索新蜜源，并根據(jù)貪婪原

12、則進行 選擇。概率表達式為C _ f (.Xi)4 i =$f(Xj)(3)f(.Xi)=:,r ,f(x (3)f(.Xi)=1 Jf(x i ), (4)1 + absf(x i )% , f (x i ) 0式中：f(xi )表示蜜源i的適應(yīng)度，其是ABC優(yōu)化 的目標(biāo)函數(shù)；abs(,)表示求絕對值的函數(shù)。偵察蜂出現(xiàn)：若達到最大且不更新的次數(shù) (limit)后，則雇傭蜂變成偵察蜂，通過(1)式得到 一個新解并計算適應(yīng)度值，然后再去尋找新的 蜜源。迭代結(jié)束：如果每次迭代的次數(shù)達到limit, 則算法結(jié)束得到最優(yōu)解&否則需要對算法繼續(xù)進行 迭代。2.2改進的ABC算法(如下。血量所以該搜索方程

13、具有較好的探索能力，但忽略算ABC算法當(dāng)接近全局最優(yōu)時會存在搜索速度 慢和過早收斂的問題，以致陷入局部最優(yōu)。(2)式中 %. $1,1%為隨機數(shù)且(如下。血量所以該搜索方程具有較好的探索能力，但忽略算法的開發(fā)能力，因此需要更有效的全局搜索策略 Zhu等s根據(jù)粒子群算法提出了全局最優(yōu)解引導(dǎo) 的ABC算法(GABC),該算法可以很好地提高開發(fā) 能力。每一次循環(huán)的過程中，根據(jù)搜索方程:+ a(E % 8 xkj ) + E 8 ) (5)進行鄰域搜索式中：a表示鄰域搜索系數(shù)，值為在 -1-1之間的任意數(shù)頃嚴(yán)就表示整個蜂群搜索到 的全局最優(yōu)蜜源位置表示隨機值，-. 1,1， 而且通過實驗發(fā)現(xiàn)當(dāng)(0,1

14、.5)時可以取得最好 的效果。由(5)式可知，有最優(yōu)位置萼的引導(dǎo), 在保證算法探索能力的同時可以提高算法的開發(fā)能 力。但是在一定程度上會降低算法的全局尋優(yōu)能 力，基于此，提出一種交叉運算的全局ABC (CGABC)算法，該算法可以有效解決GABC算法 全局尋優(yōu)能力不足的問題?；贑GABC算法是結(jié)合遺傳算法與ABC算 法，其中遺傳算法是一種具有自適應(yīng)和自組織能力 的搜索算法，包括選擇、交叉和變異三種操作，廣泛 應(yīng)用于解決復(fù)雜的優(yōu)化問題。交叉運算是將選擇出的兩個個體作為父個體， 將二者的部分碼值按位進行交換。實驗設(shè)有兩個8 位個體F1和P2,如圖1所示。(a)(b)PlP2I 11 11 01

15、11 01 0 I 0 I 11圖1不同種類的個體 (a) P1； (b) 42Fig. 1 Different kinds of individuals, (a) 41( (b) 42現(xiàn)隨機產(chǎn)生一個在17之間的數(shù)4,采用交叉 操作可將41和42的后4位進行交換，可以得到一 個新的個體,其交換過程如圖2所示。圖2交叉運算示意圖Fig. 2 Schematic of crossover operation常見的交叉運算包括指數(shù)交叉運算和二項交叉 運算，而實驗采用二項交叉運算并與人工蜂算法相 結(jié)合，這可以提高ABC算法的全局尋優(yōu)能力和開發(fā) 能力。運算過程中，每一個分量都隨機產(chǎn)生一個隨 機數(shù)Z,取值

16、范圍為01。若ZVc,則接受該目標(biāo)分 量，否則保留當(dāng)前個體的分量15，其中c為交叉系 數(shù)，其是二項式交叉運算中的重要參數(shù)。雇傭蜂搜 索鄰域后，與全局最優(yōu)值進行交叉操作，搜索過程可 (以表示為,J： 8，:Eg +-EG： 8),0 Cotherwise(6)從理論上來講，當(dāng)C取較大值時，算法的進化速 度加快，這有利于提高算法的開發(fā)能力，但是會降低 其探索能力C值越小越有利于提高算法的探索能 力，但是會降低算法的開發(fā)能力，經(jīng)過多次反復(fù)實 驗,J： 8，:Eg +-EG： 8),0 Cotherwise(6)3 BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層以及輸出層, 其中隱含層可以有一層或多層，存

17、在于輸入層和輸 出層之間1617。BP神經(jīng)網(wǎng)絡(luò)是一個包含多層感知 器的反向傳播網(wǎng)絡(luò)，傳播過程由輸入層的正向傳播 與輸出層的誤差反向傳播兩個過程組成，其中三層 感知器的拓?fù)浣Y(jié)構(gòu)應(yīng)用最為廣泛，結(jié)構(gòu)如圖3所示。 其中$1, $2,，乙為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，！為 輸入層第個神經(jīng)元和隱含層第。個神經(jīng)元之間的 權(quán)值；1 ,；2，,；/為輸出層各神經(jīng)元之間的輸入 變量1 2 ,，為輸出層各神經(jīng)元之間的輸出 變量7172 ,7為輸出層的實際輸出與期望輸 出之差仃1仃2 ,7為輸出層的期望輸出,!)為 隱含層第。個神經(jīng)元和輸出層第)個神經(jīng)元之間 的權(quán)值。error back propagationinput

18、 layer hidden layer output layer圖3三層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig. 3 Tbpological structure of threo layer BP neural network網(wǎng)絡(luò)結(jié)構(gòu)中輸入層有個神經(jīng)元,隱含層有/ 個神經(jīng)元，輸出層有q個神經(jīng)元，則BP神經(jīng)網(wǎng)絡(luò)的 輸入變量為$(m) = +$1(5),$2(5),，$(5) ,(7)式中5表示樣本數(shù)據(jù)的個數(shù)。隱含層的輸入變量為(m) = $! ,=1式中表示隱含層中第。個神經(jīng)元的閾值=1,輸出層各神經(jīng)元之間的輸入變量為(5)= $!(5) #(9)式中$!(表示隱含層與輸出層的連接權(quán)值；久表示 輸出層各神

19、經(jīng)元的閾值；o = l,2,&,g。BP算法優(yōu)化的目標(biāo)函數(shù)值是輸出層所有神經(jīng) 元的誤差平方和，表達式為M P6=嘉 $ d( (5) (5) #,(10)5=1。=1式中:式。(5 )表示輸出層的期望輸出變量；。(5)表 示輸出層的輸入變量。輸出層各神經(jīng)元的誤差函數(shù)為 TOC o 1-5 h z 6(5)(5)1 (5) d( (5) (5)。(11)輸出層中各神經(jīng)元的權(quán)值和閾值分別為$Mk0 (5) /6( (m)y (5) ,(12)$b。(5) / E。(5) ,(13)式中：/表示學(xué)習(xí)率，用來反映訓(xùn)練學(xué)習(xí)的速度，取 值范圍為0, 1);y(5 )表示隱含層的輸出變量。BP神經(jīng)網(wǎng)絡(luò)的3學(xué)

20、習(xí)規(guī)則是通過反向傳播不 斷改變初始權(quán)值和閾值，使誤差平方和最小1804 CGABC-BP 算法CGABC-BP算法優(yōu)化的目的是不斷調(diào)整神經(jīng) 網(wǎng)絡(luò)的權(quán)值和閾值，使得網(wǎng)絡(luò)中輸出層的輸出值與 期望值之間的差值達到最小。ABC優(yōu)化的評價標(biāo) 準(zhǔn)是樣本的預(yù)測值與實際值的均方差(MSE)的大 小，而MSE與蜜源的適應(yīng)度值成反比。采用蜜源 適應(yīng)度最大的權(quán)值和閾值來初始化神經(jīng)網(wǎng)絡(luò)，再根 據(jù)BP神經(jīng)網(wǎng)絡(luò)的3學(xué)習(xí)規(guī)則來訓(xùn)練樣本，最后對 其進行識別和分類。改進的全局ABC優(yōu)化BP神 經(jīng)的流程如圖4所示，具體實現(xiàn)步驟如下。設(shè)置CGABC算法初始化的參數(shù)，即N組 BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。采用BP算法來計算CGABC

21、算法的適應(yīng)度 函數(shù)。雇傭蜂對新的蜜源使用3學(xué)習(xí)規(guī)則計算目標(biāo) 函數(shù)值，并使用計算出來的目標(biāo)函數(shù)值與迭代最優(yōu) 值進行交叉操作以計算新的適應(yīng)度，并根據(jù)貪婪準(zhǔn) 則選擇新蜜源19)。計算觀察蜂的跟隨概率。觀察蜂對搜索到的 新蜜源使用3學(xué)習(xí)規(guī)則計算目標(biāo)函數(shù)值，將其與迭 代最優(yōu)值進行交叉運算，然后計算蜜源的適應(yīng)度值, 并根據(jù)貪婪準(zhǔn)則選擇新蜜源以保留全局最優(yōu)值。驟8)0偵查蜂出現(xiàn)后，隨機尋找新蜜源代替失敗的 蜜源，并計算適應(yīng)度值。如果每次迭代的次數(shù)達到limit,則跳轉(zhuǎn)到步 驟8),否則跳轉(zhuǎn)到步驟2)。采用最優(yōu)蜜源來初始化BP神經(jīng)網(wǎng)絡(luò)，根據(jù)3 學(xué)習(xí)規(guī)則來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。將測試部分的數(shù)據(jù)集進行分類，計算分類的

22、 準(zhǔn)確率。5實驗結(jié)果與分析5.1測試函數(shù)為了驗證改進的全局ABC算法的尋優(yōu)能力，實 驗對 Griewank、Rastrigin、Sphere 和 Rosenbrock 常 用函數(shù)進行驗證，具體情況如表1所示，其中Q為 測試函數(shù)的維數(shù)。其中Griewank和Rastrigm函數(shù) 為復(fù)雜的多模態(tài)函數(shù)，含有大量的局部極值，而且極 易陷入局部最優(yōu)，因此可用來驗證算法是否已經(jīng)陷 入局部最優(yōu)% Sphere和Rosenbrock函數(shù)為單模態(tài) 函數(shù)，含有很少的極值,Sphere函數(shù)仿真出來的三 維形狀是連續(xù)的曲面,Rosenbrock函數(shù)仿真出來的 三維形狀是一個U字形且沒有局部最小值的區(qū)域。 因此，根據(jù)這

23、4個函數(shù)的特點來驗證算法的尋優(yōu)精 度和運算能力20)。5.2測試結(jié)果將4個基本函數(shù)與基于ABC(SABC)算法、全 局最優(yōu)引導(dǎo)的ABC(GABC)算法和CGABC算法進 行比較。實驗參數(shù)設(shè)置：總循環(huán)次數(shù)為3000,蜂群 總數(shù)為50,limit設(shè)置為300,N為30。表2為在此 測試條件下獨立測試的結(jié)果，其中測試函數(shù)的 Q = 2,測試收斂速度的精度為1X10_4，結(jié)果為10 次的平均值。從表2可以看到，CGABC算法在/、)和-上 的最優(yōu)值明顯優(yōu)于GABC和SABC算法，CGABC 在0優(yōu)化103倍，收斂速度都有明顯的提高。提出 的CGABC算法對各類函數(shù)都起到很好的優(yōu)化作 用，而且在優(yōu)化精度

24、和優(yōu)化速度上都有顯著提高。5.3 CGABC-BP神經(jīng)網(wǎng)絡(luò)的結(jié)果與分析為了驗證CGABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) (CGABC-BP)的有效性，將BP、ABC優(yōu)化BP神經(jīng) 網(wǎng)絡(luò)(ABC-BP)和CGABC-BP采用非線性函數(shù) )(&,:)=&2+:2( 5/&,:/5)進行擬合，從而驗 證改進的ABC算法(CGABC)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的(C)19 4)如果實際值的MSE小于以定值),則進入步有效性，測試過程如下。startare terminationconditionsmet?js there a scout bee?.is reach the max numbererror accuracy?

25、get optimal weights and thresholdsis best 37MSEminobserve the conversion of bees to bees for neighborhood search, cross-operation, choose newsolutions according to the greedy rule, and retain the global optimal valuecross the searched solution with the iterative optiomal value and choose a new solut

26、ion according to the greedy rulescout bees randomly look for new nectar sources to replace nectar sources that exceed the neighborhood search limitoutput optimal honey sourceinitialize N sets of weights and thresholdscalculate observation bee follow probabilityinitialize the populationcollect bees f

27、or neighborhood searchupdate weights and thresholdsforecast resultcalculate error圖4改進的全局ABC優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程Fig. 4 Improved global ABC to optimize process of BP neural network1）樣本選?。涸? 5,5之間隨機獲得1000組2）參數(shù)設(shè)置：設(shè)置神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為2-5-1,其數(shù)據(jù)，任意選擇其中的900組數(shù)據(jù)作為訓(xùn)練樣本，剩 中輸入層為兩層，隱含層為5層，輸出層為1層,下的數(shù)據(jù)作為測試樣本。ABC的種群數(shù)量設(shè)置為800,最大循環(huán)次數(shù)為100

28、表1標(biāo)準(zhǔn)測試函數(shù)Table 1 Standard test functionsTralfunctonFunctonSearch scopeOptimalvaluenameFunctonexpressionIGrewank1Q)5 ,4000 $ %-8c 土 )+1 10,10%)5(0)=0RastriginQ,) = $-i = 1T0cos(2r%) + 10% 5.12,5.12%）2（0）=0-Sphere)1:Q=$r2%= 1 5.12,5.12%)1(0) =00RosenbrockQ 1)6 (，) = $ 100(,%+1 ,2)2 + (r% 1)2%i = 1 2.04

29、8,2.048%) 6 ( 0 =0表2三種算法的性能比較Table 2 Performance comparison of three algorithmsTral functonMethodOpt6mal valueConvergence rate /sMeanStandard valueSABC3.83X10 5900.93.88X10Q31.04X10Q16IGABC0230.08.30X10Q131.41X10Q17CGABC0191.45.47X10Q160SABC0122.102.23X10Q14GABC023.200CGABC015.200SABC1.05X10-1528.75

30、.20X10Q159.38X10Q17-GABC3.10X10-1817.28.03X10Q135.08X10Q17CGABC9.43X10 1814.34.31X10Q182.66X10 17SABC3.10X10Q15752.34.20X10Q150.980GABC9.10X10Q1622.35.45X10Q150.61CGABC1.03X10Q1819.18.76X10Q170.110.084BPGABC-BP CGABC-BP0.0770.0760.0750.084BPGABC-BP CGABC-BP0.0770.0760.075采用三種ABC來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，選擇最優(yōu) 個體的適應(yīng)度

31、值作為優(yōu)化的訓(xùn)練誤差，三種神經(jīng)網(wǎng) 絡(luò)的平均適應(yīng)度值如圖5所示。從圖5可以看到，CGABC-BP神經(jīng)網(wǎng)絡(luò)在尋優(yōu) 過程中很快就可以得到最優(yōu)的適應(yīng)度值，而且一直 處于穩(wěn)定不變的現(xiàn)象（BP和GABC-BP神經(jīng)網(wǎng)絡(luò)均 很難獲得最優(yōu)的迭代次數(shù)，而且不能得到最優(yōu)的適 應(yīng)度值，表明CGABC-BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化性能很 好，尋優(yōu)能力較強。將最優(yōu)的初始權(quán)值和閾值分別送入三種神經(jīng)網(wǎng) 絡(luò)中，得到的誤差曲線如圖6所示，在這個對比實驗 中，訓(xùn)練樣本為1800組，測試樣本為200組。從圖6可以看到，預(yù)測誤差越接近于零，預(yù)測結(jié) 果越準(zhǔn)確，CGABC-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差基本都0.0850.083 | 0.082 | 0.0

32、81 甘 0.080 0.079 W 0.078圖5三種神經(jīng)網(wǎng)絡(luò)的平均適應(yīng)度曲線Fig. 5 Average fitness curves of three kinds ofneural networks較大，說明對于非線性函數(shù)的預(yù)測結(jié)果不準(zhǔn)確。實在零左右，沒有較大浮動，GABC-BP神經(jīng)網(wǎng)絡(luò)浮動shin驗結(jié)果還可以說明CGAFC-BP神經(jīng)網(wǎng)絡(luò)可以很快即limit為100,最大循環(huán)次數(shù)（MCN）為50,神經(jīng) 網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為500,學(xué)習(xí)率為0.3,神經(jīng)網(wǎng) 絡(luò)的結(jié)構(gòu)為2-7-2, Sigmoid作為激活函數(shù)。當(dāng) MSE值或者兩次MSE的差值均小于10-4時，則 跳出循環(huán)。實驗是對7名受試者進

33、行腦電信號的分類。7 名受試者分別為F1、F2、F3、F4、F5、F6和47,對 7名受試者的實驗數(shù)據(jù)進行分類，分別使用BP神經(jīng) 網(wǎng)絡(luò)、GABC-BP神經(jīng)網(wǎng)絡(luò)和CGABC-BP神經(jīng)網(wǎng)絡(luò) 對采集的樣本數(shù)據(jù)進行10次獨立測試。實驗訓(xùn)練 100次,誤差曲線如圖7所示。圖6兩種網(wǎng)絡(luò)的預(yù)測誤差曲線Fig. 6 Prediction error curves of two networks地將BP神經(jīng)網(wǎng)絡(luò)調(diào)整到全局最優(yōu)的狀態(tài)，加快權(quán) 值和閾值的初始化進程。5.4 CGABC-BP網(wǎng)絡(luò)對腦電信號的識別數(shù)據(jù)集介紹數(shù)據(jù)集為 2008 年 BCI Competition Datasetl, 其中包括7名受試者的腦

34、電數(shù)據(jù)，每一名受試者均 執(zhí)行右手和左腳的動作，采集通道數(shù)為59個，選取 C3和C4通道的數(shù)據(jù)進行實驗，其中隨機選擇數(shù)據(jù) 的40%、40%和20%分別作為訓(xùn)練樣本、測試樣本 和驗證樣本，驗證的目的是防止過擬合。算法初始化使用神經(jīng)網(wǎng)絡(luò)對腦電信號進行初始的分類， 特征個數(shù)是整個網(wǎng)絡(luò)輸入層的節(jié)點數(shù)，網(wǎng)絡(luò)輸出 層的節(jié)點數(shù)是根據(jù)分類所需的個數(shù)決定，分類的 種類不同則輸出的個數(shù)也不同$21%。實驗參數(shù)：蜂 群數(shù)量為200,雇傭蜂和跟隨蜂的數(shù)量均為100,圖7三種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差Fig. 7 Training errors of three kinds of neural networks從圖7可以看到,B

35、P神經(jīng)網(wǎng)絡(luò)未能達到預(yù)期 的效果，優(yōu)化后的GABC-BP神經(jīng)網(wǎng)絡(luò)在迭代120 次后可以達到預(yù)期的效果，提出的CGABC-BP神 經(jīng)網(wǎng)絡(luò)僅需70次就可以達到預(yù)期的效果，比 GABC-BP神經(jīng)網(wǎng)絡(luò)提高近2倍，可見所提算法具 有更快、更好的收斂性。三種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié) 果如表3所示。表3不同BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果Table 3 Trainmg results of different BP neural networksNeural networkMax iterationsM n 6nteratonsAverage 6nteratonsTarget errorBP134657732964110 4GABC-BP32116421510 4CGABC-BP21461175