Print

基于遗传算法的BP网络优化研究及其应用

论文摘要

遗传算法和神经网络都是模拟生物智能化的学习能力而发展起来的,对两者结合的研究逐渐成为当前的热点之一。人们希望通过结合遗传算法和神经网络,并充分利用两者的优点,寻找出一种有效解决问题的方法,使得人们更好地理解学习和进化的相互作用关系,并且用遗传算法优化神经网络能够克服神经网络利用梯度下降法所带来的易陷入局部最小值的缺点。本文介绍了有关神经网络和遗传算法的部分基础理论,在分析了遗传算法在神经网络结构和权值优化应用的基础上,通过改进遗传算法的适应度函数、交叉变异率等方法,提出了改进自适应遗传算法,并将其与改进的BP算法相结合对多层前馈神经网络的拓扑结构和权值进行优化,可提高学习效率,避免学习中陷入局部最小,使模型最终具有了良好的收敛性和适应性。实验表明了算法改进的有效性。最后,将改进自适应遗传算法优化的神经网络应用于养老保险基金预测。用于预测的样本数据来源于联网审计中采集的实时数据,并进行标准化处理。将预测结果与BP算法、遗传算法优化BP网络算法和精算学预测结果进行了比较,得到较理想的预测效果。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 课题来源概述
  • 1.2 国内外研究现状
  • 1.3 课题目的和意义
  • 1.4 本文所做的工作
  • 1.5 本文结构和组织
  • 第2章 神经网络和遗传算法研究
  • 2.1 神经网络的基本理论
  • 2.1.1 神经元模型
  • 2.1.2 网络拓扑结构
  • 2.2 多层前馈神经网络模型
  • 2.2.1 BP算法的实现步骤
  • 2.2.2 已有的BP算法的改进
  • 2.2.3 网络的设计
  • 2.3 人工神经网络的应用
  • 2.4 遗传算法基本理论
  • 2.4.1 遗传算法的基本思想
  • 2.4.2 遗传算法的基本操作算子
  • 2.5 遗传算法的改进
  • 2.5.1 简单遗传算法的局限性
  • 2.5.2 自适应遗传算法
  • 2.5.3 混合遗传算法
  • 2.6 遗传算法的应用
  • 2.7 本章小结
  • 第3章 遗传算法与BP网络结合的研究
  • 3.1 遗传算法优化BP网络分析
  • 3.1.1 遗传算法与BP神经网络结合
  • 3.1.2 遗传算法优化BP网络
  • 3.2 改进的遗传算法优化BP网络的设计
  • 3.2.1 改进遗传算法设计
  • 3.2.2 改进的自适应交叉变异率
  • 3.2.3 改进遗传算法优化BP网络的工作流程
  • 3.3 实验验证
  • 3.4 本章小结
  • 第4章 遗传优化神经网络在养老基金预测中应用
  • 4.1 基本养老保险基金的主要影响因素
  • 4.2 基于精算学的养老基本预测模型
  • 4.3 基于遗传优化神经网络的基本养老保险基金预测
  • 4.3.1 样本数据标准化处理
  • 4.3.2 预测模型设计
  • 4.3.3 结果分析
  • 4.4 两种预测模型比较
  • 4.5 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的论文及参加的项目
  • 致谢

    • 相关论文文献

    本文来源: https://www.lw50.cn/article/ba79f8fdd230e8283c4678d5.html