遗传算法在BP神经网络结构优化中的应用研究

遗传算法在BP神经网络结构优化中的应用研究

论文摘要

遗传算法有全局优化性能、通用性强、适合于并行处理等优点,人工神经网络在函数逼近、模式识别以及数据压缩等领域有着非常广泛的应用,但选择合适的隐含层节点数目、初始的权值和阈值比较困难。神经网络的研究与遗传算法结合是近年来研究的热点,本课题以遗传算法优化BP神经网络结构为研究对象,主要利用遗传算法的全局搜索性能对BP神经网络结构进行优化。首先,针对遗传算法随机产生的初始种群在解空间上分布不均衡性,提出了等距采样的初始种群产生方式,这样产生初始种群分布比较均匀,在搜索过程中,最优个体很容易被搜索到,加快了收敛速度且不易陷入局部最优。其次,适应度函数是遗传算法中判断染色个体优劣的唯一标准,在进化后期阶段保持群体多样性比较困难,本文采用了一种新的适应度函数定标方式,充分利用当代种群的最佳适应度、平均适应度以及遗传进化代数来动态定标适应度函数,目的是为了在进化前期限制竞争,进化后期鼓励竞争。再次,对遗传算子进行了深入的理论研究之后,提出了相应的改进办法,用分组的轮盘赌选择方式,采取自适应的交叉和变异概率,防止个别适应度高的染色个体迅速取代其它的染色个体,即防止群体过早地局部收敛,另外,利用遗传算法中的当前最优个体与全局最优个体“差别”最小的特性,增加了最优个体平移算子,使最优个体逐渐逼近最优解,并利用经典的遗传测试函数对改进遗传算法的性能进行了测试。最后,为了统一BP网络初始权值和阈值标准,提出了一种最大上限隐含层节点数目的BP网络模型,最终优化得到的网络是最初BP网络的子网络,在MATLAB环境下实现了本文提出的改进遗传算法对BP网络结构优化的仿真实验,并与其它改进的算法比较,证明了改进的遗传算法不仅能充分发挥BP网络泛化的映射能力,而且使BP网络具有更强的学习能力、更高的收敛速度和效率,优化后的神经网络结构更加合理,分类与逼近的精度更高。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 引言
  • 1.2 遗传算法的研究历史与发展现状
  • 1.2.1 遗传算法的研究历史
  • 1.2.2 遗传算法的发展现状
  • 1.3 神经网络的发展历史与研究现状
  • 1.3.1 神经网络的研究历史
  • 1.3.2 神经网络的发展现状
  • 1.4 选题的目的及意义
  • 1.5 本文研究的主要工作及章节安排
  • 1.5.1 本文研究主要工作
  • 1.5.2 本文的章节安排
  • 第二章 遗传算法的理论基础
  • 2.1 标准遗传算法的形式化定义
  • 2.2 标准遗传算法解决问题的关键步骤
  • 2.3 标准遗传算法解决问题的实施过程
  • 2.4 标准遗传算法的关键要素与具体实现
  • 2.4.1 问题的表示和遗传算法的编码
  • 2.4.2 个体适应度函数
  • 2.4.3 遗传算子
  • 2.4.4 遗传算法主要控制参数
  • 2.5 模式定理与积木块假设
  • 2.5.1 模式定理的基本概念
  • 2.5.2 模式定理
  • 2.5.3 积木块假设
  • 2.6 欺骗问题与隐并行性原理
  • 2.6.1 遗传算法欺骗问题
  • 2.6.2 隐并行性原理
  • 2.7 遗传算法收敛性分析
  • 第三章 遗传算法的研究及其改进
  • 3.1 标准遗传算法的不足
  • 3.1.1 标准遗传算法采用单一的二进制编码
  • 3.1.2 标准遗传算法随机产生初始种群
  • 3.1.3 标准遗传算法采用简单的遗传操作算子
  • 3.2 初始种群的产生与编码的分析与改进
  • 3.2.1 初始种群的产生与编码的分析
  • 3.2.2 初始种群产生方式的改进
  • 3.3 适应度函数的分析与改进
  • 3.3.1 适应度函数的分析
  • 3.3.2 适应度函数定标的改进
  • 3.4 遗传算子的分析与改进
  • 3.4.1 遗传选择算子的分析与改进
  • 3.4.2 遗传交叉算子的分析与改进
  • 3.4.3 遗传变异算子的分析与改进
  • 3.5 控制参数的确定
  • 3.6 遗传最优个体平移算子
  • 3.7 遗传算法性能测试
  • 3.7.1 性能测试函数的选择
  • 3.7.2 其它一些改进的遗传算法
  • 3.7.3 性能函数优化的仿真
  • 第四章 遗传算法优化BP网络的实现
  • 4.1 人工神经网络模型
  • 4.1.1 生物神经元
  • 4.1.2 人工神经网络的基本模型
  • 4.1.3 BP网络学习算法
  • 4.2 BP网络的训练步骤
  • 4.3 BP网络隐含层节点数目的估计
  • 4.4 改进遗传算法优化BP网络的基本框架
  • 4.5 编码与初始种群的产生
  • 4.6 适应度函数
  • 4.7 遗传选择与交叉操作
  • 4.8 遗传变异操作
  • 4.9 最优个体的平移
  • 第五章 改进的遗传算法在优化BP网络结构中的应用及其MATLAB实现
  • 5.1 BP网络语音信号特征分类
  • 5.1.1 隐层节点数目与网络初始权值和阈值的优化
  • 5.1.2 分类结果正确率比较
  • 5.2 BP网络非线性函数的拟合
  • 5.2.1 隐层节点数目与网络初始权值和阈值的优化
  • 5.2.2 函数逼近正确率比较
  • 第六章 结论与展望
  • 致谢
  • 参考文献
  • 附录 攻读硕士学位期间完成的主要论文和工作
  • 相关论文文献

    • [1].基于BP神经网络对地震前兆的研究[J]. 科学技术创新 2019(33)
    • [2].基于BP神经网络的涡轴发动机故障诊断研究[J]. 智库时代 2019(52)
    • [3].基于BP神经网络的磁流变阻尼器逆向模型研究[J]. 海军工程大学学报 2019(06)
    • [4].基于BP神经网络的电梯噪声评价方法[J]. 数字技术与应用 2019(12)
    • [5].基于BP神经网络和支持向量机的荨麻疹证候分类探讨[J]. 广州中医药大学学报 2020(03)
    • [6].基于BP神经网络代理模型的交互式遗传算法[J]. 计算机工程与应用 2020(02)
    • [7].基于BP神经网络的虚拟机评估[J]. 数字通信世界 2020(01)
    • [8].基于BP神经网络的科研项目经费管理风险评估[J]. 财务与会计 2019(22)
    • [9].基于BP神经网络的断层封闭性评价[J]. 复杂油气藏 2019(04)
    • [10].基于BP神经网络识别的曲堤油田低阻油层研究[J]. 宁夏大学学报(自然科学版) 2020(01)
    • [11].基于贝叶斯-BP神经网络的机械制造企业安全预警方法研究[J]. 安全与环境工程 2020(01)
    • [12].基于BP神经网络的扇区空管运行亚健康关联因子预测[J]. 安全与环境工程 2020(02)
    • [13].基于改进灰狼算法优化BP神经网络的短时交通流预测模型[J]. 交通运输系统工程与信息 2020(02)
    • [14].心理护理对于双相情感障碍(BP)病患认知功能产生的影响[J]. 临床医药文献电子杂志 2020(08)
    • [15].BP神经网络在雷达故障诊断中的应用[J]. 通信电源技术 2020(06)
    • [16].基于BP人工神经网络的英那河流域径流模拟研究[J]. 黑龙江水利科技 2020(03)
    • [17].基于BP神经网络的节能车弯道降速数学模型分析[J]. 汽车实用技术 2020(10)
    • [18].基于BP神经网络的临床路径优化[J]. 计算机技术与发展 2020(04)
    • [19].基于改进BP神经网络的羊肉价格预测[J]. 计算机仿真 2020(04)
    • [20].财务BP在企业管理中的应用与研究[J]. 商场现代化 2020(07)
    • [21].人工智能技术的热带气旋预报综述(之一)——BP神经网络和集成方法的热带气旋预报研究和业务应用[J]. 气象研究与应用 2020(02)
    • [22].基于改进BP神经网络的岩心图像分割方法研究[J]. 西安石油大学学报(自然科学版) 2020(04)
    • [23].基于BP神经网络的光纤陀螺误差补偿方法[J]. 物理与工程 2020(04)
    • [24].基于主成分分析和BP神经网络对大学生价值观的研究[J]. 科技经济导刊 2020(20)
    • [25].基于粒子群算法的BP模型在地下水位埋深预测研究中的应用[J]. 吉林水利 2020(08)
    • [26].基于BP神经网络的煤炭企业人岗匹配研究[J]. 煤炭经济研究 2020(07)
    • [27].基于改进BP神经网络的飞行落地剩油预测方法[J]. 飞行力学 2020(04)
    • [28].基于BP神经网络的网络安全态势预测[J]. 网络安全技术与应用 2020(10)
    • [29].以财务BP制度推进“业财融合”的研究[J]. 中国总会计师 2020(09)
    • [30].财务BP的企业实践研究[J]. 现代国企研究 2019(04)

    标签:;  ;  ;  ;  ;  

    遗传算法在BP神经网络结构优化中的应用研究
    下载Doc文档

    猜你喜欢