CN102946613B - 一种用于测量用户业务体验质量的方法 - Google Patents

Abstract

本方案涉及一种用于测量用户业务体验质量的方法包括：根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对其训练；判断所述神经网络出现训练输出不能满足需求的情况则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，最终完成QoE的测量。本方案通过该级联结构的神经网络模型，根据神经网络训练结果判断是否需要启动PSO算法，最大程度减少模型的运算复杂度并提高拟合精度，解决了现有神经网络收敛速度慢、易陷入局部最小值及模型过于复杂精确度不高的问题。

Description

一种用于测量用户业务体验质量的方法

技术领域

本发明涉及无线通信领域，尤其涉及一种用于测量用户业务体验质量的方法。

背景技术

用户业务体验质量或者用户感知(QoE)是用户对无线网络提供的业务性能的主观感受或者为用户在一定的客观环境中对所使用的服务或者业务的整体认可程度。它可以通过量化的方法来表示终端用户对业务与网络的体验和感受，并反映当前业务和网络的质量与用户期望之间的差距。无线通信网络服务的最终目标是为用户提供最好的业务体验质量。

现有的关于QoE的研究一般集中在音频、视频业务。按照是否有用户直接参与评价及是否给出QoE与其影响因素之间的关联模型可以将现有的评价方法分为主观评价方法、客观评价方法及主客观结合的方法，其中主客观结合的方法又可以称为伪主观评价方法。伪主观的评价方法结合了主观评价方法和客观评价方法的优点.它既有主观评价方法与用户感知一致的特点，又具有客观评价方法简便、可实时应用、可移植的特点。

以移动通信业务为对象，从其业务的可接入性、可保持性以及完整性入手，采集终端用户体验质量的题本特征，然后与对应的端到端的移动通信服务质量指标关联，构成分层的终端用户质量的评估体系，通过大量的实验，从网络侧采集相应的移动通信服务质量指标数据，以此作为人工神经网络的输入，相应的终端用户体验质量的基本特征评价作为输出，完成利用人工神经网络的建模，在网络侧采集用户呼叫业务的网络移动通信服务质量指标作为已建立模型的输入，即可得到用户对移动通信业务真实体验的预测和评估。

当前的基于神经网络的移动通信业务用户体验评估方案具有如下缺点：由于神经网络存在着收敛速度慢，易陷入局部最小值的问题，因此，在利用人工神经网络进行建模的过程中，模型过于复杂且精确度不高。

因此，当前需要一种改进的用于测量用户业务体验质量的技术方案来解决上述问题。

发明内容

本发明所要解决的技术问题是提供一种用于测量用户业务体验质量的方法，解决了当前方案中存在神经网络存在着收敛速度慢，易陷入局部最小值，导致建模过程中，模型过于复杂且精确度不高的问题。

为了解决上述问题，本发明提供了一种用于测量用户业务体验质量的方法，其包括：根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对所述神经网络进行训练；判断所述神经网络若出现训练输出不能满足需求的情况，则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，从而最终完成QoE的测量。

与现有技术相比，应用本发明，通过采用级联结构，根据神经网络训练结果来判断是否需要启动粒子群算法，以最大程度减少模型的运算复杂度并提高拟合精度。

附图说明

图1是本发明采用的神经网络结构示意图；

图2是本发明的用于测量用户业务体验质量方法的流程图；

图3是本发明实例中无失真源视频的示意图；

图4是本发明实例中支持多业务的动态仿真平台示意图；

图5是本发明实例中无失真视频1(akiyo)及其失真视频的示意图；

图6是模型输出结构与用户主观评价结果之间MSE的CDF曲线的示意图；

图7是模型输出结果与用户主观评价结果比较示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

本发明的方法在具体实现中要通过系统中各设备之间信息交互来进行信息和/或数据的收集，并通过其内的控制器(可以是CPU等进行控制处理信息和/或数据，本发明对此不作任何限定)，其间还可以通过各种存储器

(可以是内存、硬盘或其他存储设备)进行信息和/或数据的储存和传送，本发明对此不作任何限定。

针对模型建立的过程，本发明提出了以神经网络为基础的两级级联结构的数学模型来进行函数拟合，该结构主要由两步组成，首先确定神经网络的结构并使用样本数据库进行训练，当神经网络出现陷入局部最小值的情况或者训练输出不能满足需求的时候，将启动后续算法，对神经网络的权值和阈值进行调整，如进行后处理等。通过这类方法，能够避免陷入局部最小，较快地训练模型直至收敛，并且在保证训练精度的基础上，尽量的降低运算复杂度，训练样本数目足够多情况下可精确地获得模型中各个系数。

本发明的主要构思在于：采用级联结构，根据神经网络训练结果来判断是否需要启动粒子群算法来进行后处理，以最大程度减少模型的运算复杂度并提高拟合精度；通过计算级联结构的复杂度和代价函数，来调整神经网络结构，以及粒子群个数、初始化状态和行走速度。

1.权值训练：

如图1所示一个三层的神经网络，它可以通过节点、连接权值、阈值以及节点激励函数来确定，其权值和阈值在训练过程中进行调整。三层分别为输入层L₀、隐含层L₁和输出层L₂。输入层L₀包含N₀个输入：分别为各种影响QoE的因素。L₁和L₂包含的节点个数分别为N₁，N₂。L_i的第j个节点在第n次的迭代中，权值矩阵可表示为：

$W_{i,j}\left(n\right)=[w_{i,j}^{\left(0\right)}\left(n\right),w_{i,j}^{\left(1\right)}\left(n\right),...,w_{i,j}^{\left(N_{i-1}\right)}\left(n\right)],$ n＝0，1，2，...

在训练开始阶段，神经网络的权值和阈值均被赋予随机初始值。L₁和L_i的第j个节点的输出为：

$y_{1,j}\left(n\right)=f(\underset{m=1}{\overset{N_0}{\mathrm{\Σ}}}{w}_{i,j}^{\left(m\right)}\left(n\right)x_{0,m}-{\mathrm{\θ}}_{0,j}\left(n\right))$

$y_{i,j}\left(n\right)=f(\underset{m=1}{\overset{N_{i-1}}{\mathrm{\Σ}}}{w}_{i,j}^{\left(m\right)}\left(n\right)y_{i-1,m}-{\mathrm{\θ}}_{i,j}\left(n\right))$

其中，θ_i，j为该节点的阈值，f为该节点的激励函数，例如：本结构中使用的S型激励函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

一般将样本数据与训练输出值之间的MSE作为整个神经网络的代价函数：

$\stackrel{-}{\mathrm{\η}}=\frac{1}{N_d}\underset{n=1}{\overset{N_d}{\mathrm{\Σ}}}{[z\left(n\right)-y_{\mathrm{2,1}}\left(n\right)]}^2$

其中，N_d为样本数据的个数，z(n)为输出期望值。

BP(反向传播)神经网络基本权值和阈值的调整公式为：

W_1j(n+1)＝W_1j(n)+αδ_jx_0，j

W_2j(n+1)＝W_2j(n)+ασ_jL_1，j

θ_1，j(n+1)＝θ_1，j(n)+βδ_j

θ_2，j(n+1)＝θ_2，j(t)+βσ_j

其中，n表示迭代次数，L_1，j为隐含层节点j的输出，x_0，j为从输入节点j输入的信号，W_1j(n)、W_2j(n)分别是隐含层和输出层节点j的权值，θ_1，j(n)和θ_2，j(t)分别是输出节点和隐含节点j处的阈值，α和β分别是学习参数，一般取为0.1～0.9之间，σ_j和δ_j分别输出节点和隐含节点n的误差信号，其计算公式为：

${\mathrm{\σ}}_j=\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k{w}_{1,j}{L}_{1,j}(1-L_{1,j})$

δ_j＝(z_j-L_2，j)L_2，j(1-L_2，j)

2.权值后处理：

由于神经网络存在着陷入局部最小值的可能，且神经网络的收敛速度较慢，因此当神经网络训练结果不能满足训练需求的时候，采用粒子群优化PSO方式(PSO即“粒子群算法”是一种高效的搜索算法)来对神经网络的权值和阈值进行调整，以提高整个模型的精确度。PSO的启动依赖于第一步训练的结果，只有当代价函数MSE大于期望值时才启动PSO以寻求最优解。

本发明将以网络隐含层和输出层的权重对PSO的粒子群中某一个粒子进行初始化，而其他的个体均赋予随机初始值。通过计算适应值产生更好的新一代群体来搜索解空间；通过调整粒子的飞翔方向和距离等，能够提高跳出局部最优的可能性。在粒子群算法中，每个优化问题的解都是搜索空间的一个粒子或是个体，所有的粒子都有一个由被优化的函数决定的适应值在神经网络训练结果上进行优化，并且保证运算复杂度在可接受的范围内。

假定粒子群P＝{p₁，p₂，...，p_k}，即粒子群由K个粒子组成，其中K为群体规模。一个粒子通过其所在的位置和速度来描述。粒子p₁在d维空间的位置将被赋予神经网络的权值，表示为：

$x_i\left(t\right)=(W_{\mathrm{0,0}},W_{\mathrm{0,1}},...,W_{L,N_{L-1}})\∈C^{1\×{\mathrm{\Σ}}_i^L{N}_l},$ t＝0，

其他粒子分别表示为：x_k(t)，k＝12，3，...，K，并被赋予随机初始值，其中级联结构中粒子的维度d由神经网络的变量个数决定：

d＝(N₀+1)·N₁+(N₁+1)·N₂；

其中，N₀，N₁，N₂分别为输入层、隐含层和输出层的节点数。粒子速度表示为：v_k(t)，k＝1，2，...，K，t＝0，并被赋予随机初始值。粒子p_k的个体极值表示为P_k，即P_k是粒子p_k当前所发现的最好解，p_k的局部极值表示为g_k，即g_k是粒子p_k的近邻当前所发现的最好解。

在PSO方式中，粒子根据以下公式来更新速度和位置：

v_k(t+1)＝αv_k(t)+β_pr_pP_k(t)+β_gr_gg_k(t)

x_k(t+1)＝x_k(t)+v_k(t+1)

其中，α是一个正常数，称为惯性权重，β_p，β_g是两个正常数，r_p，r_g称为学习因子，是在[0，1]中服从均匀分布的随机数。

粒子在解空间内不断跟踪个体极值与局部极值进行搜索，直到满足算法的终止条件为止。从速度和位置更新公式中可以看出，一个粒子的速度决定了其位置的变化范围。为了防止粒子过快的从搜索空间中的一个区域飞向另外一个区域，定义一个参数V_max，使得粒子每一维的速度都被限制在区间[-V_max，V_max]。

PSO方式即求解下列函数优化问题：

$\min \stackrel{-}{\mathrm{\η}},$ $s.t.x\∈S\⊆R^n.$

如图2所示，本发明的用于测量用户业务体验质量的方法，包括：

步骤210、网络侧根据用户业务体验质量评价模型建立级联结构的神经网络，并根据网络侧通过测试采集的样本数据库进行训练；

所述网络侧根据用户业务体验质量评价模型建立级联结构神经网络，并根据网络侧通过测试采集的样本数据库进行训练的步骤，包括：

所述网络侧建立三层的神经网络，该神经网络通过节点、连接权值、阈值以及节点激励函数来确定，其权值和阈值在训练过程中进行调整，三层分别为输入层L₀、隐含层L₁和输出层L₂，输入层L₀包含N₀个输入： $x_0=[x_{\mathrm{0,1}},x_{\mathrm{0,2}},...,x_{0,N_0}],$ 分别为影响QoE的因素；L₁和L₂包含的节点个数分别为N₁，N₂；L_i的第j个节点在第n次的迭代中，权值矩阵表示为：

$W_{i,j}\left(n\right)=[w_{i,j}^{\left(0\right)}\left(n\right),w_{i,j}^{\left(1\right)}\left(n\right),...,w_{i,j}^{\left(N_{i-1}\right)}\left(n\right)],$ n＝0，1，2，...；

通过测试采集的样本数据库进行训练的开始阶段，该神经网络的权值和阈值均被赋予随机初始值；L₁和L_i的第j个节点的输出为：

$y_{1,j}\left(n\right)=f(\underset{m=1}{\overset{N_0}{\mathrm{\Σ}}}{w}_{i,j}^{\left(m\right)}\left(n\right)x_{0,m}-{\mathrm{\θ}}_{0,j}\left(n\right)),$

$y_{i,j}\left(n\right)=f(\underset{m-1}{\overset{N_{i-1}}{\mathrm{\Σ}}}{w}_{i,j}^{\left(m\right)}\left(n\right)y_{i-1,m}-{\mathrm{\θ}}_{i,j}\left(n\right)),$

其中，θ_i，j为该节点的阈值，f为该节点的激励函数；

将样本数据库与训练输出值之间的MSE作为整个神经网络的代价函数，表示为：

$\stackrel{\_}{\mathrm{\η}}=\frac{1}{N_d}\underset{n=1}{\overset{N_d}{\mathrm{\Σ}}}{[z\left(n\right)-y_{\mathrm{2,1}}\left(n\right)]}^2$

其中，N_d为样本数据的个数，z(n)为输出期望值。

其中，所述通过测试采集的样本数据库进行训练中采用的f可以为该节点的S型激活函数，表示为：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

步骤220、网络侧判断若所述神经网络出现训练输出不能满足需求的情况，则通过PSO方式(如PSO算法)更新粒子的速度和位置对神经网络的权值和阈值进行调整，判断用户业务体验质量QoE的测试误差若满足预设值，则完成用户体验质量QoE评价模型的建立，从而最终完成QoE的测量。

所述网络侧判断若所述神经网络出现训练输出不能满足需求的情况，是指所述网络侧判断若进行训练的代价函数大于训练代价函数的期望值，则通过PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整。

所述网络侧通过PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整的步骤，包括：

所述网络侧是根据以下公式更新粒子的速度和位置：

v_k(t+1)＝αv_k(t)+β_pr_pP_k(t)+β_gr_gg_k(t)

x_k(t+1)＝x_k(t)+v_k(t+1)

其中，α是一个正常数，称为惯性权重，β_p，β_g是两个正常数，r₁，r₂称为学习因子，是在[0，1]中服从均匀分布的随机数；其中粒子群P＝{p₁，p₂，...，p_k}，即粒子群由K个粒子组成，其中K为群体规模，一个粒子通过其所在的位置和速度来描述。粒子p₁在d维空间的位置将被赋予神经网络的权值，表示为：

$x_i\left(t\right)=(W_{\mathrm{0,0}},W_{\mathrm{0,1}},...,W_{L,N_{L-1}})\∈C^{1\×{\mathrm{\Σ}}_i^L{N}_l},$ t＝0，

其他粒子分别表示为：x_k(t)，k＝12，3，...，K，并被赋予随机初始值，其中级联结构中粒子的维度d由神经网络的变量个数决定：

d＝(N₀+1)·N₁+(N₁+1)·N₂；

其中，N₀、N₁、N₂分别为输入层，隐含层和输出层的节点数；粒子速度表示为：v_k(t)，k＝1，2，...，K，t＝0，并被赋予随机初始值；粒子p_k的个体极值表示为P_k，即P_k是粒子p_k当前所发现的最好解，p_k的局部极值表示为g_k，即g_k是粒子p_k的近邻当前所发现的最好解；粒子在解空间内不断跟踪个体极值与局部极值进行搜索，直到满足算法的终止条件为止。

下面以对视频业务的用户体验进行建模为例，详述具体如何进行数据处理。

首先，根据测试需求选取测试视频。根据P.910中ITU-T的建议，采用时域和空域信息作为视频序列空时域复杂度的度量。其中空域信息与时域信息的计算方式如下：

SI＝max_time{std_space[Soble(F_n)]}

TI＝max_time{std_space[M_n(i，j)]}

M_n(i，j)＝F_n(i，j)-F_n-1(i，j)

其中，F_n表示序列当前帧，F_n-1表示前一帧。在计算SI时，先对每一帧进行空域Sobel滤波并计算滤波后图像的标准差，将视频序列所有帧的标准差最大值作为空间信息的度量。而时间信息的获取是通过计算前后两帧的差分并求差分图像的标准差，最后对所有帧进行重复操作后选择标准差最大值而得到的，SI越大，表示视频包含的边缘与纹理内容越多，图像的空间结构越复杂；TI越大，表示视频序列的运动越剧烈。共选取了6个典型无失真源视频：akiyo，bridge-far，coastguard，foreman，mobile和silent，如图3所示，视频信息如表1所示，均为分辨率为176*144的qcif格式视频，并使用MPEG4对其进行编解码。在应用层，可控AQoS参数为FR，并将其取值范围定为10帧/秒、15帧/秒或者30帧/秒等。

0

表1：源视频信息

利用OPNET软件搭建多小区无线蜂窝网络系统级仿真平台，模拟无线网络环境进行无线视频业务传输仿真，如图4所示，通过调整仿真参数和仿真环境，得到不同的吞吐量、时延、误包率等系统级性能，进而得到不同网络业务质量NQoS指标(包括延时，误包率，抖动，平均丢包长度等)下对于无线视频业务质量的影响。每个无失真源视频通过不同NQoS参数的仿真平台进行传输，分别产生不同失真程度的视频。

以视频1(akiyo)为例，设定FR为30fps，设置70组不同的NQoS参数，通过仿真平台传输，一共得到了了70个不同的失真视频。图5所示为akiyo经过误包率为4％、10％、25％、36％和48％的仿真平台后得到的5个失真视频。可以看出，随着误包率的增大，视频质量损失变得更严重。

在主观评价环节，本次测试采用双激励失真测度方法(DSIS)以及双激励连续质量尺度(DSCQS)进行测试。在DSIS测试过程中，直接先播放源视频，然后播放与之对应的失真视频，并同时提示评估人员进行打分，该方法的打分采用失真5分制：失真不可见(Imperceptible)、可简单不严重

(Perceptible，but not annoying)、有点儿讨厌(Slightly annoying)、令人讨厌(Annoying)与非常糟糕(Very annoying)。测试中需要播放源视频，但是评估人员需要对源视频和失真视频都进行打分，并且不会在试验中明确告诉评估人员所播放的视频哪种是源视频，哪种是失真视频，该方法的打分过程中，一般，采用通用的质量五分制：非常好(Excellent)、好(Good)、一般(Fair)、差(Poor)与非常差(Bad)。

本次测试共组织26个测试人员分别观看akiyo源视频和70个失真视频，并进行主观打分，获得主观平均分数：

${\stackrel{-}{u}}_{\mathrm{jkr}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ijkr}}$

其中，u_jkr表示第i个测试者对失真视频类型为j、原始对象为k、重复次数为r的测试对象的分数，N是观测者的个数。计算得到的称为平均主观分数(MOS)。

经过主观评价，得到样本数据库为：

D_i＝{x_i，MOS_i}，i∈[1，70]，

其中x_i中包括多个NQOS参数，例如延时、误包率、抖动、平均丢包长度等。

由于一个三层网络具有以任意精度逼近任意一个非线性函数的能力，因此，在本发明的QoE评价模型中，构造一个包含输入层L₀、隐含层L₁和输出层L₂的三层BP神经网络。输入节点个数N₀为4，由训练样本所决定，包括延时，误包率，抖动，平均丢包长度等。L₁节点个数N₁选取为5(双隐层网络的两个隐层节点数相近时，网络训练效果较好)，L₂节点个数N₂为1。从样本库提取D＝{x，y}作为BP训练输入，训练代价函数的期望值，如果训练输出代价函数值小于或等于则训练结果满足要求，整个训练结束，否则启动权值后处理。

设定BP网络训练次数为10，PSO粒子个数为20，分别使用传统单级BP结构(不带权值后处理)和本发明提出的级联结构(带权值后处理)分别进行训练，代价函数MSE分别表示为和训练500次，并求得平均值，最大值及最小值。在本次仿真测试中，将η_t设置为0.01同时，设 $\mathrm{\Δ}\stackrel{-}{\mathrm{\η}}={\stackrel{-}{\mathrm{\η}}}_1-{\stackrel{-}{\mathrm{\η}}}_2.$

表2：训练结果

如表2所示，级联结构在均值，最大值及最小值三个方面都取得了较明显的增益。同时，画出了这两种训练方法的MSE性能的累积概率密度函数

(CDF)曲线，如图6所示。从图6上来看，当比较大时，级联结构能获得较好的性能。例如，通过单级BP结构模型获得的结果中只有77％的样本的MSE小于0.2，而采用在采用级联结构获得的结果中有93％的样本的MSE小于0.2。也就是说，采用级联结构，更多的样本能获得较小的MSE性能。

在确定BP三层结构及粒子群维度d为31的前提下，表3给出了粒子群的迭代次数Itmax和粒子个数M对级联结构代价函数的影响。综合运算复杂度和代价函数考虑，可以将Itmax取40或者50，M取20或者30。

表3：迭代次数和粒子个数对代价函数的影响

在BP迭代次数为10，PSO粒子个数为20，迭代次数为40，d为31的情况下，BP的运算复杂度flops为2.3×10⁶，级联结构的flops为5.1×10⁶。可以看到，该参数配置下的复杂度的增加在可接受的范围之内。

级联模型以样本数据库中用户的QoE结果，即MOS值，做为训练的目标值。图7画出了当代价函数MSE为0.0346时，训练值与真实值之间的差异。由图7可见，使用了后处理的级联结构训练所得到的结果，与用户体验主观评价值吻合度很高，该模型的评价精确度能够满足实际业务评级模型的需求。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种用于测量用户业务体验质量的方法，其特征在于，包括: 

根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对所述神经网络进行训练； 

判断所述神经网络若出现训练输出不能满足需求的情况，则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，从而完成QoE的测量；

其中：所述根据用户业务体验质量评价模型建立级联结构神经网络，并根据测试采集的样本数据库进行训练的步骤，包括： 

建立三层的神经网络，其通过节点、连接权值、阈值以及节点激励函数来确定，所述权值和阈值在训练过程中进行调整，三层分别为输入层L₀、隐含层L₁和输出层L₂，输入层L₀包含N₀个输入：分别为影响QoE的因素；L₁和L₂包含的节点个数分别为N₁，N₂；第i层(i＝0,1,...,n)L_i的第j个节点在第n次的迭代中，权值矩阵表示为： 

通过测试采集的样本数据库进行训练的开始阶段，该神经网络的权值和阈值均被赋予随机初始值；L₁和L_i的第j个节点的输出为： 

其中，θ_i,j为该节点的阈值，f为该节点的激励函数； 

将样本数据库与训练输出值之间的MSE作为整个神经网络的代价函数，表示为： 

其中，N_d为样本数据的个数，z(n)为输出期望值。 

2.如权利要求1所述的方法，其特征在于， 

所述通过测试采集的样本数据库进行训练中采用的f为该节点的S型激励函数，表示为： 

3.如权利要求1所述的方法，其特征在于， 

所述判断所述神经网络若出现训练输出不能满足需求的情况，是指判断若进行训练的代价函数大于训练代价函数的期望值则通过PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整。 

4.如权利要求1所述的方法，其特征在于， 

所述通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整的步骤，包括： 

根据以下公式更新粒子的速度和位置： 

v_k(t+1)＝αv_k(t)+β_pr_pP_k(t)+β_gr_gg_k(t)， 

x_k(t+1)＝x_k(t)+v_k(t+1)， 

其中，α是一个正常数，称为惯性权重，β_p，β_g是两个正常数，r_p，r_g称为学习因子，是在[0,1]中服从均匀分布的随机数；其中粒子群P＝{p₁,p₂,...,p_k}，即粒子群由K个粒子组成，一个粒子通过其所在的位置和速度来描述，粒子p₁在d维空间的位置将被赋予神经网络的权值，表示为： 其他粒子分别表示为：x_k(t),k＝12,3,...,K，并被赋予随机初始值，其中级联结构中粒子的维度d由神经网络的变量个数决定： 

d＝(N₀+1)·N₁+(N₁+1)·N₂； 

其中，N₀、N₁、N₂分别为输入层、隐含层和输出层的节点数；粒子速度表示为：v_k(t),k＝1,2,...,K,t＝0，并被赋予随机初始值；粒子p_k的个体极值表示为P_k，即P_k是粒子p_k当前所发现的最好解，p_k的局部极值表示为g_k，即g_k是粒子p_k的近邻当前所发现的最好解；粒子在解空间内不断跟踪个体极值与局部极值进行搜索，直到满足算法的终止条件为止。