導語：如何才能寫好一篇神經網絡遺傳算法，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關鍵詞： 遺傳算法；神經網絡算法；電力變壓器故障；收斂速度；收斂精度；BP神經網絡；IGA-BP算法；權值和閥值；動量因子；編碼

中圖分類號：TP39 文獻標識碼：A 文章編號：1671－7597（2012）0220180－01

1 介紹

神經網絡是一個復雜的網絡系統(tǒng)，它通過模擬人腦的神經工作過程來處置信息，可以實現(xiàn)并行處理和非線性變換。該網絡有很強的自學能力，自適應能力，良好的容錯性與聯(lián)想記憶和同時處理等功能。在所有種類的神經網絡算法中，BP算法是一種典型的算法，并且他解決了多層次前饋型神經網絡的訓練問題，并已得到廣泛應用。但是，傳統(tǒng)的BP神經網絡算法很容易陷入激增并且只是局部最優(yōu)，而且其收斂速度慢。相反，用遺傳算法來尋找全局最優(yōu)的能力是很強的。遺傳算法是從自然進化論中發(fā)展而來的，它是一類有效的并行全局搜索算法。它有很好的魯棒性，并已成功應用于解決全局優(yōu)化問題。如果神經網絡是按照優(yōu)化和遺傳算法設計的，該算法不僅易于實現(xiàn)全局最優(yōu)，而且很容易提高神經網絡的性能。許多學者在這方面都有很不錯的成果。

然而，大多數(shù)現(xiàn)有的神經網絡設計方法優(yōu)化的目標是在結構，初始權重和閥值方面，而忽視訓練比率和動量因子。事實上，當設計一個神經網絡時，初始權重和閥值是隨機產生的，而訓練比率和動量因子以及網絡的結構通常是由人們的經驗獲得的。這些因素都影響了網絡的訓練速度和神經網絡的直接處理能力。只有全面的優(yōu)化這些參數(shù)，才能使得網絡整體性能得以改善。因此，本文提出基于高性能遺傳算法的徹底進化神經網絡的BP算法。該算法可用于建立診斷電力變壓器和電源變壓器的模型，而該模型是基于神經網絡的。

2 遺傳算法和它的改進

遺傳算法是一種隨機全局搜索算法，他通過模擬自然進化和自然選擇過程中的遺留生物來解決復雜問題。在遺傳算法中，問題空間由代碼空間來替換，性能評價的標準是合適的函數(shù)，進化的基礎是代碼個數(shù)，由許多不同基因個體的代碼來確定選擇和遺傳機制。一個重復的過程由該方法來形成。許多不同的個體是通過不斷演變的基因和代碼位鏈的一些重要基因的隨機組合產生的，由此不斷地最優(yōu)化和逐步實現(xiàn)問題的最終解決?？紤]到遺傳算法的低收斂速度和低精度等的局限，本文提出了一些改進的遺傳算法。

2.1 選擇算法的改進

通過競爭性遺傳算法在兩代之間選擇出優(yōu)良個體，基因個體分為男性和女性。排列方式決定了所有男性和所有父代女性及其下一代。然后選擇前者的N/2的男性優(yōu)秀個體分別與女性個體結合形成新的人口規(guī)模N。將這n個個體放入配對區(qū)，他們將分別互相配對。這樣，不僅可以保證交叉操作的個體的有效配對，而且可以保留每個優(yōu)秀個體的特征，可以淘汰不好的個體。因此將不會失去好的基因和特征。他將有利于盡快找到一種全局最優(yōu)的算法。

2.2 增加一種幫助操作

為了加強算法的能力，以跳出局部最優(yōu)并提高收斂速度，一種用來改善遺傳算法的幫助操作被提出，通過幫助的可能性來增加幫助的個體。幫助操作位于選擇操作之后，在匹配操作之前。它的程序如下：

1：i=1；

2：定義一個實數(shù)r，使得0≤r≤1，如果r≤Ph，執(zhí)行3，否則跳轉到6

3：j=1；

4：如果 =0，則令 =1；但是如果由于執(zhí)行該操作產生 個體的自適應性，則保持 =0；

5：j++，如果j＞n，執(zhí)行6，否則跳轉到4；

6：i++，如果i＞n，執(zhí)行7，否則跳轉到2；

7：停止。

其中，Ph表示幫助可能性，表示的是i個體，表示i個體的j位，n表示編碼無性別長度，N代表群體大小。

2.3 匹配方法改進

在本文的算法中，相同性別的個體不進行。即雄性只能與雌性。而且，為了獲得個體們較好的排列順序，用這樣的算法操作來實現(xiàn)，即按照依次優(yōu)劣排序的雌體與用同樣排序的雄體進行。這樣有利與遺傳算法加快尋找全局最優(yōu)的速度，增強了全局收斂性。

為了避免近親繁殖，不同性別的個體還需要檢查它們的區(qū)別，如果兩個個體是相同的或者區(qū)別他們相對應的二進制碼值為一，他們不能進行而且必須將它們進行修正，比如，最高碼值的個體與最低碼值的個體必須修正為最高碼值和最高碼值的個體的。因此，可以保證遠血緣個體之間的，從而提高遺傳算法的效率。

3 基于改進遺傳算法的BP神經網絡的徹底進化（IGA-BP算法）

3.1 BP神經網絡算法的規(guī)則

從結構的角度來看，BP神經網絡屬于前饋型神經網絡，它由輸入層，輸出層和一些隱層組成，相鄰層之間由節(jié)點連接，而同一層不需要節(jié)點連接。典型的BP神經網絡是由輸入層，輸出層和隱層這三層組成的，這是最常用的BP神經網絡。

在BP神經網絡訓練的過程中，用到的是誤差反向傳播。它的簡稱是BP算法。BP算法是一種輔助訓練算法，他實際上是一種通過梯度下降法來找到最優(yōu)解的靜態(tài)算法。權值w（n）僅僅是隨時間梯度下降的方法來進行修正的，而并不是考前們的經驗獲得。由于在訓練的過程的頻繁沖擊或陷入局部最小，因此收斂速度很慢，為了避免這一點，我們增加了一個動量因子。這個方法也就是增加一個與原來變量和目前變量以及權值和閥值相匹配的數(shù)據(jù)項，新的權值和閥值是通過反向傳播來產生的。新增加的權值和閥值的動量因子由以下方式來進行調節(jié)：

其中k表示訓練時間，表示訓練率，mc表示動量因子，和mc由個人經驗來確定。

3.2 IGA-BP的基本思想

首先，改進的遺傳算法是用來全面解決和設計結構，初始權值和閥值，

訓練率和神經網絡的動量因子的，并且在解決空間問題的過程中，更好的尋找到空間。因此BP算法是在小范圍內尋找到最優(yōu)解。

3.3 編碼方法

所有神經網絡的結構，權值和閥值，訓練率以及動量因子都需要被認作是一系列染色體，通過二進制來將其編碼。每個個體的編碼都包含六個部分，第一部分時權值編碼，第二部分是閥值的二進制碼，第三部分是節(jié)點之間連接狀況的編碼，第四部分是訓練率的編碼，第五部分是動量因子的編碼，第六部分是個體性別的編碼，其值為0或1，表1表示個體編碼的結構：

假設權值，閥值，訓練率以及動量因子的參數(shù)值之間的關系可有以下式子來表示：

其中，bin表示N位特征字符；表示權值，閥值，訓練率動量因子的變化范圍：

表示網絡的實際輸出，表示網絡的理想輸出，表示實際輸出與理想輸出之間的誤差。

參考文獻：

[1]Rumehart D E, Hintion G E, Willams R J. Leaming Intemal representations by error propagation in parallel distributed processing [M]. Gambridgef :MIT Press,1986: 318-362.

[2]Yao X,Liu Y.Anew evolutionary system for evolving artificial networks[J].IEEE Transactions on Neural Networks,1997,8(3):694-713.

[3]Sietsma J, Dow R J F, Creating artificial neural networks that generalize[J].Neural Networks,1991,4 (1):67-79.

[4]Ash T.Dynamic node creation in back propagation networks[J].

Connection Science, 1989,1(4):365-375.

[5]梁化樓、戴貴亮，人工神經網絡與遺傳算法的結合：進展及展望[J].電子學報，1995，23（10）：194-200.

[6]陳志軍，基于改進型遺傳算法的前饋神經網絡優(yōu)化設計[J].計算機工程，2002（4）：120-121.

篇2

[關鍵詞] 小生境遺傳算法 神經網絡 股票 預測

一、引言

股票和股票市場對國家企業(yè)的經濟發(fā)展起到了積極的作用，如可以為投資者開拓投資渠道，增強投資的流動性和靈活性等。但股票價格的形成機制是頗為復雜的，股票價格既受到多種因素，諸如:政治，經濟，市場因素的影響，亦受技術和投資者行為因素的影響，個別因素的波動作用都可能會影響到股票價格的劇烈波動。因此，股票價格和各影響因素之間很難直接建立明確的函數(shù)關系表達式。針對這一情況，將可有效處理非線性問題的神經網絡引入到股票價格的預測中來，但神經網絡收斂慢,易陷入局部極小點，出現(xiàn)振蕩，魯棒性差。所以有的學者用遺傳算法(ga)來優(yōu)化神經網絡，這種神經網絡可能獲得個別的甚至局部的最優(yōu)解,即ga早熟現(xiàn)象。本文引進能較有效地保持種群多樣性的小生境遺傳算法(nga),采用nga優(yōu)化與用ga優(yōu)化的bp網絡權值進行對比,證實了nga的判別準確性和尋優(yōu)能力。

二、小生境遺傳算法優(yōu)化的神經網絡

1.bp神經網絡

反向傳播(bp)算法又稱為誤差逆?zhèn)鞑バＵ椒?，它?974年p.werbos(哈佛大學)提出的。133229.CoMbp算法用來訓練多層前饋神經網絡,屬于監(jiān)督學習算法。bp網絡具有結構清晰，易實現(xiàn)，計算功能強大等特點。因而是目前最常見，使用最廣泛的一種神經網絡。但是在實際應用中，傳統(tǒng)的bp算法存在以下問題:收斂速度慢;若加快收斂速度易產生振蕩；存在局部極小和平臺問題;泛化能力差;隱節(jié)點數(shù)和初始值的選取缺乏理論指導;未考慮樣本選擇對系統(tǒng)學習的影響等。所以很多學者提出許多改進的方法，用小生境遺傳算法優(yōu)化神經網絡權值的神經網絡來預測股票價格。

2.小生境遺傳算法

小生境遺傳算法(iche genetical gorihm)的基本思想是:首先比較任意兩個個體間的距離與給定值的大小，若該距離小于給定值，則比較其適應值大小。對適應值較小的個體施加一個較強的懲罰，極大地降低其適應值。也就是說，在距離l內將只有一個優(yōu)良個體，從而既維護了群體的多樣性，又使得各個體之間保持一定的距離，并使得個體能夠在整個約束空間中分散開來。

3.神經網絡連接權的優(yōu)化

用小生境遺傳算法可以優(yōu)化神經網絡連接權，神經網絡結構，學習規(guī)則等，這里我們對神經網絡的連接權進行優(yōu)化，具體步驟如下：

（1）隨機產生一組權值分布，采用某種編碼方案對該組中的每個權值(或閾值)進行編碼，進而構造出一個碼串(每個碼串代表網絡的一種權值分布)，在網絡結構和學習規(guī)則已確定的前提下,該碼串就對應一個權值和閾值取特定值的一個神經網絡。

（2)對所產生的神經網絡計算它的誤差函數(shù)，從而確定其適應度函數(shù)值，誤差越大,則適應度越小。

（3)選擇若干適應度函數(shù)值最大的個體,直接遺傳給下一代。

（4)利用交叉和變異等遺傳操作算子對當前一代群體進行處理，產生下一代群體。

（5)重復（2）（3）（4），使初始確定的一組權值分布得到不斷地進化,直到訓練目標得到滿足為止。

這種由小生境遺傳算法訓練神經網絡的方法也可以稱做混和訓練法。將基于小生境遺傳算法的遺傳進化方法和基于梯度下降的反傳訓練相結合,這種訓練方法吸取兩種方法的各自特點，所以收斂速度快。

三、股票價格預測仿真

根據(jù)經驗選取輸入預測日前四天開盤價、收盤價歸一化后做為作為輸入量，輸出為第五天收盤價歸一化數(shù)值。所以，本文采用神經網絡結構為(8,5,1),即網絡的輸入層6個節(jié)點,隱含層9個節(jié)點,輸出層1個節(jié)點。本文選擇了“xdg 新梅（600732）”從2006年3月14日到2006年7月1日數(shù)據(jù)進行了仿真。利用matlab6.5編程，取70組訓練樣本和30組測試樣本。如圖（1）表示用遺傳算法和小生境遺傳算法對神經網絡的權值進行優(yōu)化時，誤差曲線變化;從圖中可以看出，小生境遺傳算法收斂速度要快;圖（2）表示股票預測值和實際值比較，從圖中可以看出，遺傳算法和小生境遺傳算法對神經網絡的權值的模型進行股票價格的預測，都能預測出股票走向趨勢，但是，后者的預測精度顯然要比前者高。

四、結束語

股票市場的不確定因素太多，股票的價格更是多種因素影響的集合體，是典型的非線性動力學問題。股票價格的中長期準確預測很難。本文建立了用小生境遺傳算來優(yōu)化神經網絡模型來預測股票價格，結果表明，這種方法比單用遺傳算法優(yōu)化的神經網絡收斂速度快，預測精度高。對于股票價格預測具有較好的應用價值。

參考文獻:

[1]龍建成李小平:基于神經網絡的股票市場趨勢預測[j].西安電子科技大學學報(自然科學版.2005.3（32）:460-463

[2]王波張鳳玲:神經網絡與時間序列模型在股票預測中的比較[j].第27卷第6期武漢理工大學學報·信息與管理工程版.2005.9（27）:69-72

篇3

關鍵詞：模糊神經網絡；BFGS算法；混合遺傳算法；收斂性

中圖分類號：TP312 文獻標識碼：A 文章編號：16727800（2013）002005203

0 引言

對于模糊系統(tǒng)的識別應用，尤其是對模糊神經網絡系統(tǒng)的識別問題一直困擾著許多研究學者?，F(xiàn)有方法識別結果也很不令人滿意，識別效率低下、耗時、可靠性差。例如，近年來用來識別模糊神經網絡的方法主要包括傳統(tǒng)BP算法和GA等。傳統(tǒng)BP算法雖然具有較快的收斂速度，但不能避免陷入局部極小值的情況，得到非最優(yōu)解且計算量大；利用GA能夠得到較簡潔的模糊神經網絡結構，但其識別率較差、收斂速度慢。

考慮到基本遺傳算法全局收斂性強而局部搜索性差，而一些經典優(yōu)化算法的局部收斂性強、計算精度高，不少學者相繼嘗試將經典優(yōu)化算法引入遺傳算法，并取得了較好的效果。在如今各個領域廣泛應用模糊神經網絡理論與技術的大背景下，筆者提出一種精度高、識別率好的新方法――基于BFGS （BroydenFletcherGoldfarbShanno）的混合遺傳算法的識別方法，并且通過仿真結果證明了其對模糊神經網絡識別應用的高效性和準確性。

1 模糊神經網絡概念及理論

1.1 模糊集與隸屬度

定義1 設U為論域，一個定義在U上的模糊集合由隸屬函數(shù)μf：U＼[0，1＼]來表征，這里的μf（u）表示u∈U在模糊集合K上的隸屬程度。

定義2 設A和B是U上的兩個模糊集合，則對所有的u∈U，A和B的交集是定義在U上的一個模糊集合，其隸屬函數(shù)定義如下：μA∩B（u）=min{μA（u），μB（u）}

（1） A和B是并集，是定義在U上的一個模糊集合，其隸屬函數(shù)定義如下：μA∪B（u）=max{μA（u），μB（u）}

（2） 對所有的u∈U，A的補集A是定義在U上的一個模糊集合，其隸屬函數(shù)定義如下：μA=1-μA（u）

（3） 定義3 輸入論域URn上的模糊集合與輸出論域VR上的模糊集合，按照這個規(guī)則形式：R（l）：if is fl1 ，…，xn is fln then y is yl對應起來的規(guī)則構成為模糊“if-then”規(guī)則。其中fli和yl均為模糊集合。x=（x1，x2，…，xn）T∈U ，y∈V，x和y分別為輸入和輸出語言變量，l=1，2，…，M。其中，yl為系統(tǒng)根據(jù)此條規(guī)則得到的輸出。

1.2 模糊神經網絡結構理論分析

模糊神經網絡是一種特殊的四層前饋網絡，通過對非線性基函數(shù)的非線性組合實現(xiàn)輸入到輸出的映射關系。它的網絡結構如圖1所示。

從圖1中可以清楚地看出，第一層為輸入層；第二層為隸屬度生成層，其作用為產生每個輸入變量對所屬的模糊子集的隸屬度，并且一般在隸屬度生成層中的隸屬度函數(shù)使用高斯型函數(shù)exp-x-αβ2；第三層為推理層；第四層為輸出層。圖1中的ω表示第二層節(jié)點與第三次節(jié)點之間的鏈接關系，可以用一個矩陣來表示。這樣我們可以將圖1模糊神經網絡系統(tǒng)輸入與輸出關系表示為：y=∑Mi=1yi∏Nj=1μij（xj）∑Mi=1∏Nj=1μij（xj）

（4） 如果現(xiàn)在要對這一系統(tǒng)進行識別，首先必須識別出此系統(tǒng)的前提參數(shù)α、β，結構參數(shù)ω和結論參數(shù)yi，其中的ω元素取值為0和1，分別表示節(jié)點相連和不相連?，F(xiàn)階段對于這類模糊神經網絡的識別方法一般是基于BP算法和GA優(yōu)化算法。但這兩種算法都存在計算耗時、收斂速度慢、識別精度低等問題。因此，考慮使用一種改進的遺傳算法來進行系統(tǒng)模式識別，即基于BFGS的混合遺傳算法。

2 基于BFGS的混合遺傳算法

在經典最優(yōu)化方法中，若綜合考察收斂速度、計算量、適用范圍等算法性能，擬牛頓法是最出色的。在擬牛頓法中，又以DFP算法和BFGS算法最為著名。

BFGS算法計算步驟為：

（1）給定初始點x0，精度ξ，取H0=I，k=0；

（2）計算梯度gk-1=f（xk-1），若gk-1

Δxk-1（Δxk-1）T（Δxk-1）TΔgk-1 求出Hk-1，令pk-1=-Hk-1gk-1，由一維搜索求步長tk-1；

（3）令xk=xk-1+tk-1pk-1，k=k+1，轉（2）。

BFGS公式不僅計算精度高，而且具有很好的數(shù)值穩(wěn)定性。

本文提出將BFGS算法融入遺傳算法，取長補短?；贐FGS的混合遺傳算法（GA/BFGS）的流程如下：

（1）選取合適的群體大小Psiz、個體編碼長度l、進化代數(shù)T、交叉概率Pc、變異概率Pm等參數(shù)，隨機生成M個個體作為初始群體P（t），t=1；

（2）解碼并進行選擇（selection）運算；

（3）交叉（crossover）運算；

（4）變異（mutation）運算，產生新一代群體P（t+1）；

（5）按下列方式確定是否跳轉BFGS算法：①計算目標函數(shù)的梯度及范數(shù)f（xt-1）和f（xt-1）；若目標函數(shù)為離散型，則用差商替代之；②若梯度或差商范數(shù)小于預先設定的閾值ξ，則轉（6），否則轉（2）；

（6）用BFGS算法進行優(yōu)化；

（7）輸出最優(yōu)解和最優(yōu)值。

基于BFGS的混合遺傳算法的流程如圖2所示。

3 BFGS混合遺傳算法在模糊神經網絡識別中的實現(xiàn)3.1 參數(shù)范圍的確定

確定待編碼參數(shù)的變化范圍是使用遺傳算法程序中的關鍵一步，有利于參數(shù)的編碼和解碼。對于模糊神經網絡機構中的每一個輸入變量xi，可以用如下方法確定其所屬模糊子集的隸屬函數(shù)參數(shù)的變化范圍?，F(xiàn)在就輸入x1，來確定對應參數(shù)變化范圍，由于其模糊劃分數(shù)為M，可以首先對下列公式的隸屬函數(shù)參數(shù)賦初值：α1＼[1＼]=x1min+|x1max- x1min|/2M

（5）

α1＼[i+1＼]=α1＼[i＼]+|x1max- x1min|/M

（6）

φ1（i）=（α1（i+1）- α1（i））/2

（7）

β1＼[i＼]=|α1（i）-φ1（i）|/ln2

（8）

β1（M）=|α1（M）-φ1（M-1）|/ln2

（9） 其中i=1，2，…，M-1。

由此，可以確定α1＼[i＼]的變化范圍為：

＼[xmin，α1（1）+φ1（1）＼]；＼[α1（2）-φ1（2），α1（2）+φ1（2）＼]；…；

＼[α1（M-1）-φ1（M-1），α1（M-1）+φ1（M-1）＼]；＼[α1（M）-φ1（M），xmax＼]

β1＼[i＼]≥0變化范圍為：＼[0，λ?β1（1）＼]；＼[0， ?λβ2（2）＼]；…；＼[0，?λβ1（M）＼]

其中，λ>1用來控制β1＼[i＼]的變化范圍。同理，可以確定其它輸入參數(shù)的變化范圍。

下面再對結論參數(shù)yi的變化范圍進行控制：yi∈＼[ε?ymin，ε?ymax＼]其中，ε>1用來控制yi的變化范圍。

3.2 編碼方案的確定

我們按圖3所示的方案進行二進制編碼，αi（j）、βi（j）和yi都采用k位，其結構參數(shù)W采用N?MN位。由于αi（j）、βi（j）和yi均采用了k位二進制編碼，則它共有2k種狀態(tài)。具體編碼流程見圖3。

又由于在前面我們已經確定了αi（j）、βi（j）和yi的變化范圍，所以對于編碼所處的第t（t=0，1，2， …，2k-1）種情形，它們所對應的值為：αi（j）|t=αi（j）-βi（j）+t?φi（j）2k-1

（10）

βi（j） |t=t?λβi（j）2k

（11）

yi|t=ε?ymin+t?ε?（ymax- ymin）2k

（12） 有了上面一系列的編碼解碼方案，下面就可以進行算法實現(xiàn)部分。

3.3 算法實現(xiàn)

Step1 初始化運算

設置進化代數(shù)計數(shù)器t0，設置最大進化代數(shù)為T（足夠大），設置初始種群規(guī)模Psiz=200，并隨機生成各個體作為初始群體P（t）。

Step2 選擇運算

先將每個個體解碼成對應的網絡參數(shù)，并定義每個個體的適應度函數(shù)：Fi=f-∑lk=1|Y（k）-yi（k）|2

（13） 其中，Y（k）為對應于第k個樣本的期望值；yi（k）為第i個個體對應網絡在輸入為第k個樣本時的網絡實際輸出值；f為適當定義的足夠大的正數(shù)，這樣就可以得到每個個體的適應度函數(shù)值Fi，然后將每個個體以概率pi=Fi∑Psizi=1Fi進行選擇復制。

Step3 交叉運算

將交叉算子作用于選擇群體。即將選擇群體中的每個個體兩兩配對，并按照事先確定的交叉概率Pc選擇交叉點進行交叉操作。

Step4 變異運算

將變異算子作用于交叉后的群體。即按照事先確定的變異概率Pm隨機選擇（（MN+2?N?M）?k+N?MN）?Psiz?Pm位進行突變，這樣就產生了新一代群體。

Step5 判定條件

若f（xt-1）

Step6 BFGS運算

用BFGS算法進行優(yōu)化，最后輸出最優(yōu)解。

4 仿真分析

這里取一個經典的識別系統(tǒng)：y=（1+x0.51+x-12+x-1.53）2

（15） 我們規(guī)定輸入x1，x2，x3的取值區(qū)間均為＼[1，8＼]，在此區(qū)間內產生130個數(shù)據(jù)對，其中65個用于訓練數(shù)據(jù)對，65個用于測試數(shù)據(jù)對，并取每個變量在其論域上劃分兩個模糊子集。規(guī)定交叉概率Pc=0.96，變異概率Pm=0.004。αi（j）、βi（j）和yi采用了8位二進制編碼，這樣每個個體的編碼長度就為184。進化1 000代后得到的系統(tǒng)參數(shù)和識別測試數(shù)據(jù)精度見表1。

從圖4中可以很清楚地看出，在模糊神經網絡的識別應用中，剛開始算法由于受到訓練數(shù)據(jù)的干擾，識別效果都不是很理想。但GA/BFGS比GA識別速度快，且隨著進化代數(shù)遞增，GA/BFGS識別精度更趨于實際測試數(shù)據(jù)最優(yōu)值65。這表明GA/BFGS在繼承了傳統(tǒng)遺傳算法全局收斂性強這一優(yōu)點的基礎上，局部收斂性和收斂速度都得到了較好的提升，這主要得益于BFGS算法的加入。

5 結語

為了提高模糊神經網絡的識別率和精確度，本文利用BFGS和GA混合的算法進行識別應用與仿真。從仿真結果來看，其識別效果較好，且混合算法對模糊神經網絡具有一定的辨識能力。與其它識別算法相比，基于BFGS的混合遺傳算法具有收斂速度快、識別精度高等特點，是一種應用于模糊神經網絡識別的有效方法。

參考文獻：

＼[1＼] M.M. Gupta and G.K. Knopf， Fuzzy neural network approach to control systems[C]. Uncertainty Modeling and Analysis，1990.

＼[2＼] T. Yamakawa. Pattern recognition hardware system employing a fuzzy neuron[C]. Fuzzy Logic，1990.

篇4

摘 要 遺傳算法具有很強的全局搜索能力，但是容易造成未成熟的收斂，而徑向基函數(shù)RBF神經網絡的優(yōu)勢在于采用全局收斂的線性優(yōu)化算法，唯一最佳逼近點唯一，二者結合的應用能彌補各自的缺陷。兩種方法結合應用到核電廠安全管理評價領域，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發(fā)現(xiàn)風險，采取應對措施，對于降低核電廠安全管理風險，確保人民群眾生命財產安全和社會環(huán)境安全都具有極其重要的現(xiàn)實意義。

關鍵詞 遺傳算法 神經網絡 核電廠 安全管理評價

核電廠的安全管理評價是對核電廠的安全管理現(xiàn)狀進行的評價分析?？茖W合理準確的評價可以對核電廠的日常安全管理提供指導，為科學的開展安全管理提升提供參考。

利用遺傳算法對RBF神經網絡進行優(yōu)化，保證了并行處理規(guī)模較大信息的能力，發(fā)揮了概括、聯(lián)想、類比、推理等綜合處理數(shù)據(jù)的能力。因此常被用來處理復雜問題，并做出科學的預測。建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，既確保了對大規(guī)模數(shù)據(jù)的處理能力，又提升了安全管理評價的科學化水平，對于準確掌握核電廠安全管理現(xiàn)狀，提升核電廠日常管理水平，有效保障企業(yè)員工的生命安全、國家財產安全和生態(tài)環(huán)境安全具有重要意義。

一、遺傳算法和RBF神經網路原理

遺傳算法于1975年，由美國的J.Holland教授提出。該隨機化搜索方法借鑒了自然進化法則，即優(yōu)勝劣汰、適者生存的遺傳機制。該方法直接對結構對象進行操作；選用概率化的尋優(yōu)方法，自動獲取和指導優(yōu)化的搜索范圍。但該方法在實際應用中也存在部分局限性：因借鑒了優(yōu)勝劣汰、適者生存的遺傳機制，所以如果出現(xiàn)優(yōu)勢個體（局部最優(yōu)解）時，就造成了過早收斂現(xiàn)象，也就無法搜索產生全局最優(yōu)解；其次在經過多次重組演化后，容易丟失上一代的的基因片段，即同樣造成無法得到全局最優(yōu)值；再次傳統(tǒng)的遺傳算法通過雜交變異的手段，確定搜索空間，導致相似模式的數(shù)據(jù)種群占據(jù)優(yōu)勢，同樣無法產生全局最優(yōu)解。

RBF神經網絡是一種前饋式神經網絡，網絡結構分為三部分：輸入層、隱含層、輸出層。它依據(jù)輸入層少數(shù)的神經元（基礎數(shù)據(jù)），利用隱含層（高效徑向基函數(shù)），決定神經網絡的輸出層（預測數(shù)據(jù)）。隱含層（高效徑向基函數(shù)），實際是通過利用高斯函數(shù)，執(zhí)行固定的非線性操作指令，即將輸入層（基礎數(shù)據(jù)）映射到一個新的空間，通過輸出層節(jié)點線性加權組合，輸出形成結果。

輸出函數(shù)為：

為隱含層神經元的輸出， 為權值，二者的乘積累加和即為RBF神經網絡的輸出。輸入層、隱含層相互連接，其中隱含層為一系列同一類型的徑向基函數(shù)（高斯函數(shù)）[3]。RBF神經網絡由高斯函數(shù)表示為：

其中，Ci代表了基函數(shù)的中心， 代表了函數(shù)的寬度參數(shù)。從上述公式中可以看出：高斯函數(shù)的徑向范圍與 函數(shù)的寬度參數(shù)成反比。在實際計算中，函數(shù)寬度參數(shù) 的確定一般采用自適應梯度下降法確定，而確定Ci 、 、w的取值也就確定了為隱含層神經元的輸出 。

二、對RBF神經網路原理的優(yōu)化

依據(jù)生物神經網絡的機理建立基于RBF神經網絡安全管理評價模型，通過在不同網絡傳遞環(huán)節(jié)選取恰當?shù)乃惴▽δＰ瓦M行優(yōu)化改進，以此得到安全管理評價的優(yōu)化模型。但是在應用過程中RBF神經網絡關鍵函數(shù)基函數(shù)中心值、網絡權值等難以得到最優(yōu)解，因此選擇遺傳算法，利用其優(yōu)勢對神經網絡模型進行優(yōu)化完善。

（一）最優(yōu)基函數(shù)中心值的確定

應用遺傳算法進行數(shù)據(jù)編碼。將學習樣本進行編號：1，2，3，……，N，進而從樣本中隨機選擇M個數(shù)據(jù)為一組中心矢量作為種群中的一個個體進行編碼。如下所示，以第i個染色體為例，神經網絡的m應度函數(shù) 為期望輸出 和實際輸出 之差的絕對值累加和的倒數(shù)：

從上一代中任意選取兩個母體進行交叉以此獲得兩個子個體，再將兩個子個體以一定的概率進行變異，染色體其他位的編號值用1，2，3，……，N，中任意值以一定的變異概率替換。將母體與子體進行比較從中選擇優(yōu)勢個體即完成一次進化。以此方式循環(huán)迭代，直到個體達到給定最大代數(shù)或滿足給定的精度，此時個體則為最優(yōu)基函數(shù)中心值。

（二）最優(yōu)權值w的確定

權值的優(yōu)化是一個長期復雜的過程，實數(shù)編碼值能夠較好地反應現(xiàn)實情況，用一個數(shù)碼代表一個染色體，一個染色體則代表一個X值；群體初始化，根據(jù)遺傳算法的搜索范圍將權值以 分布隨機確定（-0.8，0.4，0.65，0.5）；選取適應度函數(shù)，將輸出樣本的平方作為適應度函數(shù)：

根據(jù)遺傳操作原理，采用染色體交叉變異，選擇交叉的概率Pn、變異的概率Pm。

U11=（-0.8，0.4，0.65，0.5），U21=（0.3，0.7，0.6，-0.8），交叉：U21=（-0.8，0.4，0.6，0.5）變異：U22=（-0.8，0.4，0.5，0.5）

三、安全管理評價模型的建立

依據(jù)核電廠安全管理評價指標，建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型。其實現(xiàn)流程如圖所示：

四、結語

本文建立基于遺傳算法和RBF神經網絡的核電廠安全管理評價模型，對核電廠安全管理存在的風險進行評價，有助于核電廠安全管理人員及時發(fā)現(xiàn)風險，采取應對措施，切實降低了核電廠安全管理風險，并為核電廠科學管理，安全管理提升提供參考和技術支持。

參考文獻：

[1] 郭贊.基于遺傳算法和RBF神經網絡的鈾尾礦庫安全預警模型[J].綠色科技，2015.3：243-245.

[2] 魏艷強.基于RBF神經網絡的公路貨運量預測方法研究[J].天津理工大學學報，2008.2（1）：17-20.

[3] 徐杰.基于遺傳算法的RBF神經網絡優(yōu)化及應用[J].信息技術，2011（5）：165-168.

篇5

Abstract： The artificial neural network has a strong nonlinear mapping ability， has been applied to various fields such as pattern recognition， intelligent control， image processing and time series etc.， in this paper， the heuristic improvement of BP algorithm was proposed aimed at the deficiencies of BP algorithms， and a common type of improvement was introduced aimed at the main drawback of the genetic algorithm through analysis and research on genetic neural network model and its algorithm.

關鍵詞： BP算法；神經網絡；遺傳算法；改進

Key words： BP algorithm；neural network；genetic algorithm；improvement

中圖分類號：TP39 文獻標識碼：A 文章編號：1006-4311（2012）34-0209-02

1 BP神經網絡

1.1 BP神經網絡概述 在神經網絡模式識別系統(tǒng)中，應用最廣泛的要算是BP網絡，它是基于誤差反向傳播算法的一種具有非線性連續(xù)轉移函數(shù)的多層前饋網絡。由于多層前饋網絡的訓練經常采用誤差反向傳播算法，人們常把多層前饋網絡直接稱為BP網絡。

BP算法可以小結為以下三個步驟：

①通過網絡輸入反向傳播：

a0=p

am+1=fm+1（Wm+1am+bm+1），m=0，1，…，M-1

a=aM

②通過網絡將敏感性反向傳播：

sm=Fm（nm）（Wm+1）Tsm+1，m=M-1，…，2，1

③使用近似均方誤差的BP算法更新權值和偏置值：

Wm（k+1）=Wm（k）-αsm（am-1）T

bm（k+1）=bm（k）-αsm

1.2 BP神經網絡存在的問題 盡管BP網絡有很多顯著的優(yōu)點，但也存在著一定的局限性。其主要問題如下：

①隨著訓練樣本維數(shù)的增大，使收斂速度緩慢，從而降低學習效率。

②從數(shù)學角度上看BP算法是一種梯度最速下降法，這就可能出現(xiàn)局部極小值的問題，而得不到全局最優(yōu)。

③網絡中隱節(jié)點個數(shù)的選取缺乏理論指導，尚無明確的定義。

由于BP神經網絡存在局部性，因此利用BP網絡進行模式識別時，所得網絡模型的參數(shù)容易陷入局部極小，因此需要對BP神經網絡容易陷入局部極小的缺陷進行改進。

2 遺傳算法

2.1 遺傳算法概述 遺傳算法（Genetic Algorithm——GA）正是以達爾文的自然進化論與遺傳變異理論為基礎的求解復雜全局優(yōu)化問題的仿生型算法。該算法摒棄了傳統(tǒng)的搜索方式，模擬自然界生物進化的過程，采用人工進化的方式對目標函數(shù)空間進行隨機導向優(yōu)化搜索。遺傳算法求解問題的基本思想是：從問題的解出發(fā)的，將問題的一些可行解進行編碼，這些已編碼的解即被當做種群中的個體，每個個體實際上是染色體帶有特征的實體；個體對環(huán)境適應能力的評價函數(shù)就是問題的目標函數(shù)；模擬遺傳學中的雜交、變異、復制來設計遺傳算子，用優(yōu)勝劣汰的自然選擇法則來指導學習和確定搜索方向；對由個體組成的中卻進行演化，利用遺傳算子來產生具有更高平均適應值和更好個體的種群，經過若干代后，選出適應能力最好的個體，它就是問題的最優(yōu)解或滿意解[1]。

2.2 遺傳算法的缺陷及改進 遺傳算法作為一種通用性好、魯棒性強的新型優(yōu)化搜索算法，為求解很多困難的問題打開了局面，但是在實際應用中，存在著：①早熟問題；②局部搜索能力差；③控制參數(shù)難以確定缺陷。

針對上述問題，目前已經提出的一些改進方法，概括起來主要有如下幾種類型：

①改進遺傳算法的使用技術或者組成成分，如選用適合問題特性的編碼技術、優(yōu)化控制參數(shù)等。

②采用混合遺傳算法，即融合一些優(yōu)化方法來提高遺傳算法運行效率。如將遺傳算法和模擬退火算法、爬山法等方法結合的混合遺傳算法。

③采用非標準的遺傳操作算子，如記憶算子、頂端增強算子等。

④采用動態(tài)自適應技術，在遺傳過程中自適應的調整控制參數(shù)和編碼精度，在保持種群多樣性的同時保證遺傳算法的收斂。

⑤采用并行遺傳算法。

3 BP算法與遺傳算法的結合

BP神經網絡的學習是基于梯度下降法的，由于該算法搜索速度緩慢以及對初始值的依賴，導致存在局部最小值問題。而遺傳算法作為一種具有較強全局搜索能力的算法，其搜索能夠遍及整個尋優(yōu)空間，因此容易接近全局最優(yōu)解；且遺傳算法有很強的魯棒性，不要求目標函數(shù)連續(xù)可微，甚至不要求目標函數(shù)具有顯函數(shù)形式，只要求問題可以計算[2]。因此將擅長全局搜索的遺傳算法和具有很強局部尋優(yōu)能力的BP算法結合起來，可以避免局部極小值問題并提高收斂速度，很快獲得全局最優(yōu)解。本文利用改進的遺傳算法對BP神經網絡同時進行權值和閾值的同步學習優(yōu)化，提高算法的收斂速度和收斂精度，構造了一個能夠獲得待求問題滿意解的三層GA-BP神經網絡。

3.1 GA-BP神經網絡的模型 GA-BP神經網絡的基本構造思想就是先通過遺傳算法在解空間中搜索到一個較優(yōu)的網絡形式，再利用BP算法在這個較優(yōu)的解空間內定位最優(yōu)解或滿意解[3]；具體地說就是先通過遺傳算法對最佳的網絡權值和閾值做快速的全局性搜索，當群體收斂至全局最優(yōu)解附近區(qū)域時，以群體中的最優(yōu)個體作為BP算法的初始點，利用BP算法進行進一步的局部搜索，同步學習網絡的權值和閾值。當幾代內遺傳算法進化的目標函數(shù)不再減小或目標函數(shù)小于預設值時，表示兩種算法需要進行切換。由于在實際應用中，求得的網絡目標誤差函數(shù)往往為人們預先設定的一個滿意值，因此利用這種GA-BP順序尋優(yōu)的方法是切實可行的。

3.2 BP算法與GA-BP算法的仿真比較 利用傳統(tǒng)的BP算法及本文提出的GA-BP算法分別對兩種算法的時間收斂曲線進行對比研究，考慮故障診斷問題。應用樣本訓練后的節(jié)點連接權值，向網絡輸入待診斷的樣本征兆參數(shù)，計算得出網絡的實際輸出值，根據(jù)輸出值的大小，從而確定故障的類別。

BP算法與GA-BP算法的訓練誤差曲線如圖1和圖2所示。

GA-BP算法訓練后的總誤差為0.000417。通過兩個實驗時間訓練曲線可以得出，基于GA-BP算法的神經網絡能夠有效地實現(xiàn)故障預測數(shù)據(jù)的訓練，具有較快的學習速度及一定適用性。

4 總結

本文針對BP算法訓練多層前饋網絡模式識別系統(tǒng)的缺陷，提出了結合遺傳算法的BP改進算法——GA-BP算法，并建立了對應的模式識別系統(tǒng)模型。然后利用該模型對實際的問題進行了模式分類訓練和測試，測試結果表明GA-BP算法有效克服了網絡訓練時容易陷入局部極小值，導致網絡訓練失敗的不足。

參考文獻：

[1]楊南達，李世平.遺傳算法研究[J].兵工自動化，2008，27（9）：60～62.

篇6

【關鍵詞】工程估算;神經網絡;遺傳算法

一、引言

工程項目建設前期，詳細的項目信息尚未明確，工程造價具有較大模糊性。由于人工神經網絡具有準確性高、非線性處理能力強等優(yōu)點，已被許多學者應用到工程估算領域。但傳統(tǒng)的BP神經網絡收斂速度慢、易陷入局部極小，而采用遺傳神經網絡建立的工程估算模型，則可以利用遺傳算法全局快速尋優(yōu)的優(yōu)勢，有效解決上述問題。

二、模型介紹

1、 BP神經網絡

人工神經網絡是人工智能研究的一種方法，具有較強的非線性映射能力。其拓撲結構具有多層感知器結構，包括輸入、輸出層和若干個隱層。網絡輸入信息先通過輸入層節(jié)點，向前傳播到隱層節(jié)點，經過計算節(jié)點的激活函數(shù)后，將各個計算節(jié)點的輸出信息傳播到輸出節(jié)點，最后得到最終輸出結果。

所謂BP算法，即反向誤差傳遞法，主要分為向前傳播階段和向后傳播階段。在向前傳播階段中，信息從輸入層經過逐層的變換，傳送到輸出層。而后向傳播階段即根據(jù)期望輸出計算反向誤差，對權值進行修正，如果誤差小于給定值或迭代次數(shù)超過設定值結束學習。BP神經網絡具有優(yōu)化計算能力，它可以在已知的約束條件下，尋找一組參數(shù)組合，使該組合確定的目標函數(shù)達到最小。但BP神經網路尋優(yōu)的過程受初始點的選擇影響，初始點如果靠近局部最優(yōu)點而非全局最優(yōu)點，就無法得到正確的結果，這也是其無法得到全局最優(yōu)解的一個原因[1]。

2 、遺傳算法

遺傳算法（GA）是借鑒生物界自然選擇和群體進化機制形成的一種全局尋優(yōu)算法。在GA中， 將問題空間中的決策變量通過一定編碼方法表示成遺傳空間的一個個體，它是一個基因型串結構數(shù)據(jù);同時，將目標函數(shù)值轉換成適應值，用以評價個體的優(yōu)劣，并作為遺傳操作的依據(jù)。遺傳操作主要包括三個算子：選擇、交叉和變異。選擇算子用來實施適者生存的原則，即把當前群體中的個體按與適應值成比例的概率復制到新的群體中， 構成池;交叉算子是從池中的個體隨機配對， 然后將兩兩配對的個體按特定方式相互交換部分基因;變異是對個體的某些基因值按某一較小概率進行改變。從產生新個體的能力方面來說， 交叉算子是產生新個體的主要方法， 它決定了GA的全局搜索能力，而變異算子只是產生新個體的輔助方法， 但也必不可少， 因為它決定了GA的局部搜索能力。交叉和變異相配合，共同完成對搜索空間的全局和局部搜索[2]。

3 遺傳神經算法

考慮到GA的全局搜索能力，采用GA對BP神經網絡的初始權值和閾值進行優(yōu)化。算法基本步驟如下[3]：

1）設定種群規(guī)模。隨機生成設定規(guī)模的個體的初始種群，給定一個數(shù)據(jù)選定范圍， 采用線性插值函數(shù)生成種群中個體的一個實數(shù)向量作為GA的一個染色體;

2）確定個體的評價函數(shù)。給定一個BP神經網絡進化參數(shù)，將步驟（1）中得到的染色體對BP 神經網絡權值和閾值進行賦值，輸入訓練樣本進行神經網絡訓練，達到設定的精度得到網絡訓練輸出值，以訓練誤差平方和作為種群中個體的適應值;

3）選擇操作?；谶m應值比例的選擇策略對每一代種群中的染色體進行選擇，選擇概率為適應值與所有適應值之和的比值;

4）交叉操作。對群體進行隨機配對，并隨機設置交叉點位置，相互交換配對染色體之間的部分基因;

5）變異操作。隨機產生變異點位置，依照某一概率將變異點的原有基因值取反;

6）將GA得到的最優(yōu)個體分解為BP神經網絡的權值和閾值，BP 神經網絡預測模型經訓練后， 輸出預測值。

三、應用實例

為驗證本算法在工程估算領域的有效性，特選取上海市建筑建材業(yè)市場管理總站的十個建筑項目的工程特征信息及造價指標進行分析。工程特征選取的是影響造價指標的七個關鍵因素，造價指標選取單方造價。具體數(shù)據(jù)如下表。

表一工程特征及造價指標表

地點

結構類型

建筑面積（m2）

建筑高度（m）

抗震烈度

建設年份

單方造價（元/m2）

1

1

7141

22.3

7

2009

4988.4

3

2

8580

39.2

6

2010

3115.3

2

2

2748

16.3

7

2010

2385.4

3

2

7675

22.8

7

2011

2750.5

1

1

18070

51.0

7

2007

2880.5

2

2

30489

53.7

7

2008

3773.0

1

1

65697

99.6

7

2008

2934.2

1

3

49900

76.7

7

2009

7396.4

3

1

51428

65.1

7

2010

3014.6

1

3

110577

208.0

7

2010

8124.8

其中地點分三類：內環(huán)（1）、外環(huán)（2）、外環(huán)外（3）;結構類型分三類：框剪（1）、框架（2）、鋼框架-鋼筋混凝土核心筒（3）。

10個項目樣本中選7個作為學習樣本，3個作為預測檢驗樣本。采用Matlab軟件分別構建一般神經網絡和遺傳神經網絡模型，測試樣本進行預測的結果如下：

表2 造價指標預測結果與誤差分析

檢驗樣本

實際值

BP神經網絡

遺傳神經網絡

預測值

相對誤差%

預測值

相對誤差%

1

7396.4

8563.5

15.8

7920.0

7.1

2

3014.6

3353.2

11.2

3289.6

9.1

3

8124.8

7146.6

-12.0

7561.7

-7.0

平均相對誤差

13.0%

7.7%

通過實驗結果可以發(fā)現(xiàn)一般神經網絡和遺傳神經網絡兩個模型均能滿足項目估算階段20%的準確率要求，但相較而言，遺傳神經網絡模型預測精度要高于一般神經網絡模型。此外，通過對比收斂過程（收斂過程圖略）發(fā)現(xiàn)，后者收斂速度更快。因此遺傳神經網絡無論從全局搜索能力和收斂速度上都優(yōu)于BP神經網絡，更能滿足工程估算指標預測的實際需要。

四、結論

針對BP神經網絡在局部極小缺陷和收斂速度慢的問題，采用遺傳算法進行改進，通過GA優(yōu)化神經網絡權值和閾值，實現(xiàn)BP神經網絡的全局快速尋優(yōu)，彌補了神經網絡固有的缺陷。經兩模型預測結果進行對比，驗證了遺傳神經網絡具有更好的非線性擬合能力和更準確的預測能力。

參考文獻：

[1]任謝楠.基于遺傳算法的BP神經網絡的優(yōu)化研究及MATLAB仿真[D].天津師范大學，2014.

篇7

關鍵詞：BP神經網絡；Adaboost算法；遺傳算法

中圖分類號：F832.332文獻標識碼：A文章編號：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金項目：國家社科基金資助項目“企業(yè)金融衍生業(yè)務風險測度及管控研究”（10BGJ054）。

作者簡介：宿玉海(1964-)，男，山東濰坊人，經濟學博士，山東財經大學金融學院教授，研究方向：國際金融；彭雷(1986-)，男，山東濰坊人，山東財經大學金融學院碩士研究生，研究方向：國際金融；郭勝川（1990-），男，山東安丘人，山東大學數(shù)學學院學生。

一、引言

商業(yè)銀行的信用風險管理一直是人們關注的焦點，在引入工程方法進行信用風險的度量后，BP神經網絡信用風險模型以其較強的逼近非線性函數(shù)的優(yōu)勢從眾多方法中脫穎而出，其對于歷史數(shù)據(jù)的模擬仿真和預測能力也顯示出了獨特的優(yōu)勢。但是，BP神經網絡信用模型在處理較為復雜的財務數(shù)據(jù)時，對于數(shù)據(jù)指標在模型中獲得的權值沒有一個明確的標準，而是特別依賴于對于歷史數(shù)據(jù)指標的選擇，使得模型對于新樣本的考察缺乏一個有效的動態(tài)權值變動，這就造成了模型在使用過程中的困難。

隨著BP神經網絡信用風險管理模型應用的增多，許多學者逐漸認識到BP神經網絡信用風險模型在處理財務數(shù)據(jù)時存在的問題，采取一系列的措施對BP神經網絡信用風險模型進行了改進，特別是對于權值設定的改進做了大量的工作。Back等［1］建議將遺傳算法與神經網絡結合起來協(xié)同工作，但沒有實際討論引入遺傳算法后帶來的實際效果；Piramuthu等［2］采用符號特征樣本的技術處理輸入數(shù)據(jù)取得了較為明顯的效果，但是符號特征樣本技術則存在較為主觀的人為因素影響。國內學者在引進神經網絡以后，也為神經網絡模型的優(yōu)化進行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對神經網絡模型的改進，以及郭英見、吳沖［4］采用DS證據(jù)理論將神經網絡和SVM的輸出結果進行的融合，都在一定程度上增強了神經網絡模型的判別準確率，但他們在神經網絡的權值修改上仍然沒有找到很好的設定規(guī)則。

可以看出，許多學者在神經網絡良好的泛化能力和模式識別能力上達成了共識，但對于神經網絡中占有重要地位的連接權值的修正，沒有給出一個較為恰當?shù)臉藴?。本文在探討改進這一問題時，將遺傳算法與Adaboost算法分別引入到BP神經網絡信用風險模型中，通過兩種模型對于相同的訓練樣本和預測樣本的考察分析，比較兩種方法的優(yōu)劣，從而為BP神經網絡信用風險模型的改進提供一定的參考。

本文結構安排如下：第一部分為引言；第二部分介紹BP神經網絡信用風險模型并評價其缺陷；第三部分使用Adaboost算法以及遺傳算法對BP神經網絡信用風險模型進行算法尋優(yōu)；第四部分則通過Matlab的模擬進行實證分析并比較實證結果；第五部分根據(jù)實證分析的結果得出相應的結論并探討商業(yè)銀行在應用過程中應注意的問題。

二、現(xiàn)有BP神經網絡信用風險模型介紹

篇8

關鍵詞: 隧道; 遺傳算法; BP網絡; 施工監(jiān)控; 監(jiān)測

中圖分類號: TU7文獻標識碼: A文章編號: 1009-8631(2010)03-0079-02

智能計算理論也稱為軟計算(Soft Computing),是新發(fā)展起來的一門十分活躍和具有挑戰(zhàn)性的領域,其主要研究對象可以歸納為:神經網絡、遺傳算法、模糊邏輯、概率理論、混沌理論等。軟計算與傳統(tǒng)的“硬計算”有本質的不同,其目的在于適應現(xiàn)實世界普遍的不精確性,其指導原則是開拓對不精確性、不確定性和部分真實性的容忍,以達到可處理性、魯棒性、低成本性求解,土木工程面對的是工程巖土體,具有很大的隨機性、模糊性、信息不完整,因而土木工程特別是特長隧道的許多問題通常具有復雜性、動態(tài)性和不可重復的高度非線性特點,問題涉及的變量多,且有噪聲,傳統(tǒng)分析方法常常面臨著困難,而智能計算在處理這些問題方面具有優(yōu)勢。

一、BP神經網絡模型及遺傳算法[1, 2]

BP神經網絡作為智能計算的一個重要組成部分,神經網絡具有很強的非線性映射和自適應訓練功能,特別是BP 網絡近年來廣泛應用于預測評估、模式識別等領域并取得良好效果。

BP網絡模型處理信息的基本原理是:輸入Xi通過隱層節(jié)點作用于輸出節(jié)點,經過非線形映射,產生輸出Yk,網絡訓練樣本包括輸入向量X和期望輸出量t,網絡輸出值Y與期望輸出值t之間的偏差,通過調整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Tjk以及閾值,使誤差沿梯度方向下降,經過反復訓練,確定與最小誤差相對應的網絡參數(shù)(權值和閾值),訓練即停止。經過訓練的神經網絡即能對類似樣本的輸入信息,自行處理輸出誤差最小的經過非線形映射的信息。當隱層神經元足夠多時,這種結構可以保證網絡以任意精度逼近任意的非線性函數(shù)。

遺傳算法(genetic algorithm)是一種模擬自然進化過程搜索最優(yōu)解的方法,具有群體尋優(yōu)的增強式學習能力及全局性、并行性、快速性和自適應性。遺傳算法的出現(xiàn)使神經網絡的訓練有了一個嶄新的面貌,目標函數(shù)既不要求連續(xù),也不要求可導,僅要求該問題可計算,而且它的搜索遍及整個解空間,容易得到全局最優(yōu)解?？衫眠z傳算法優(yōu)化神經網絡的拓撲結構。

(一)BP神經網絡模型的確定

1. 輸入和輸出神經元的確定?？衫枚喾N方法對神經網絡的輸入參數(shù)進行分析,確定無相關性或相關性較弱的輸入參數(shù)(節(jié)點),使之盡可能得少,以降低網絡復雜度,減少網絡訓練時間。

2. 隱層單元的數(shù)量對網絡影響較大,選擇隱含層的單元數(shù)是神經網絡設計最困難的部分之一。若隱層單元數(shù)過少,則網絡的泛化能力較差;若隱層單元數(shù)過多,又使得訓練時間增加,訓練誤差也不一定最佳。隱層單元數(shù)的選取目前尚無公認的理論來指導,一般采用試算法和經驗性的公式來確定。最佳層隱節(jié)點數(shù)L可參考下面經驗公式計算[1],本文用遺傳算法來優(yōu)化BP神經網絡結構。

其中m為輸入節(jié)點數(shù);n為輸出節(jié)點數(shù);c介于1～10的常數(shù)。Berk和Hajela建議[3]:隱含層單元數(shù)應在(k+i)/2與k+i之間隨機選取。其中k為輸入單元個數(shù);i為輸出單元個數(shù)。

3. 選擇訓練樣本,訓練神經網絡。

對系統(tǒng)的輸入輸出數(shù)據(jù)進行歸一化處理,作為訓練樣本,訓練網絡系統(tǒng)。訓練樣本應盡可能地反映各種狀態(tài)。神經網絡的訓練過程,即根據(jù)訓練樣本,對網絡的聯(lián)接權值和誤差進行反復修正的過程。

4. 確定傳遞函數(shù),一般選擇非線形S型函數(shù)等。

二、應用實例

工程概況:橫山特長隧道位于陜北黃土高原梁峁區(qū),溝壑縱橫、地形起伏、沖溝發(fā)育。隧道起迄里程為DK333+265～DK344+713,全線長11448m,設計為雙線隧道。隧道最大埋深為283.68m,主洞開挖面積最大177.4m2,最小120.53m2,隧道通過的圍巖主要為新黃土、老黃土、泥巖、砂巖以及砂泥巖互層。

工程地質特點,目前主要以泥巖、砂巖以及砂泥巖互層為主,層理較發(fā)育,基巖裂隙水,部分段落滲水呈泉眼股狀流出、拱部滴水呈線。洞內砂巖呈黃褐色薄～厚層狀與泥巖不等厚互層,細粒砂狀結構,泥質膠結;泥巖呈灰黑色,泥質結構,含煤線或薄煤層,自穩(wěn)能力差,強度較低,遇水易軟化,薄層泥巖或薄層砂巖出現(xiàn)在洞室起拱線以上時容易產生掉頂、滑層、剝落、塌方等現(xiàn)象。

從以上可以看出,橫山隧道地質情況復雜。在開挖之前的原始土體處于平衡穩(wěn)定的彈性階段。由于開挖成洞后圍巖原有各質點間的應力平衡狀態(tài),受到擾動破壞,應力軌跡發(fā)生變化,產生相對位移與調整。巖性軟弱、地質構造發(fā)育、巖性風化及地下水作用,使隧道開挖后,原有的應力場平衡狀態(tài)遭到破壞,引發(fā)應力重分布;若再迭加其它不利因素,例如不利結構面組合、膨脹、崩解等物理化學作用,將出現(xiàn)塌方。所以必須強化施工過程中的監(jiān)測。圍巖變形時間序列數(shù)據(jù)中蘊含著系統(tǒng)演化的信息。在施工條件、施工方法不變的情況下,利用神經網絡較強的非線性映射能力,對隧道實測位移變形值直接建模,以獲得高度復雜和非線性的內在變形規(guī)律。本文采用上述遺傳算法來優(yōu)化神經網絡,稱為遺傳神經網絡,利用MATLAB7自帶的神經網絡工具箱和英國Sheffield大學的遺傳算法工具箱,結合橫山特長隧道施工的實例進行研究。

(一)頂拱下沉的遺傳神經網絡預測步驟

1. 樣本的處理

樣本的處理,一般隧道施工頂拱下沉變形有這樣的特點:前期部分位移值變化較大,后期位移值變化較小。據(jù)此,筆者將數(shù)據(jù)轉換到(0.1,0.9)區(qū)間。

1. 訓練及測試樣本

本文所采用數(shù)據(jù)為2007年10月11日至10月30日時間段,DK333+610斷面,開挖的頂拱下沉位移監(jiān)測數(shù)據(jù),開挖時即埋設監(jiān)測點進行監(jiān)測。監(jiān)測期內施工穩(wěn)步進行,循環(huán)周期穩(wěn)定,位移預測受意外因素干擾少,有利于直接以實測位移建模的可靠性。本文用前15天的相對位移值作為訓練樣本,見表一,用后四天的監(jiān)測值作為測試樣本,見表二。

(二)預測結果及誤差分析

從測試樣本的結果來看,其誤差比較小,是相當成功的,最大的誤差僅為1.15%,這在工廠上已經是相當不錯,但這只是一個斷面的拱頂沉降的預測。

三、結語

本文利用遺傳算法的全局搜索特性,對變形預測的神經網絡結構進行最優(yōu)搜索,從而獲得具有最優(yōu)預測效果的遺傳神經網絡。采用遺傳神經網絡對隧洞施工頂拱變形的動態(tài)過程進行預測,解決了在常規(guī)采用的回歸曲線預測法效果誤差較大的問題,解決了在神經網絡構建中根據(jù)經驗公式和試算法確定神經網絡結構和學習參數(shù)的困難,從而減少結構選擇的盲目性。從以上數(shù)據(jù)表明遺傳神經網絡具有更佳的預測效果,對于圍巖變形監(jiān)測中異常情況可提前預報,提高預測的準確性,從而為變更設計、調整支護參數(shù)、調整施工工藝贏得寶貴的時間。

不足之處及后續(xù)要進行的工作,隧道是個三維空間結構,目前的施工監(jiān)測的斷面還屬于二維空間的范疇,尚有許多工作要做;另外隧道地質情況復雜,各個斷面上的地質條件有許多的差異,智能計算或神經網絡的解決方案還有許多不足之處,尚需不然改進完善。

參考文獻:

[1] 飛思科技產品研發(fā)中心.神經網絡理論與MATLAB7實現(xiàn)[M].北京:電子工業(yè)出版社,2005.

篇9

關鍵詞：生物滴濾塔 BP神經網絡辨識 Levenberg-Marquardt算法 遺傳進化訓練

中圖分類號：TP 文獻標識碼：A 文章編號：1007-9416（2013）08-0050-02

1 引言

污水處理設施排放出含有惡臭污染物的有害廢氣，是造成大氣惡臭的主要揮發(fā)源之一，與傳統(tǒng)的理化法相比，生物處理技術凈化效率高，無二次污染，投資及運行成本低。

為了提高凈化效率，需要建立對象的數(shù)學模型來分析各參數(shù)對凈化效率的影響，文獻1結合氣-液兩相流理論建立了生物滴濾塔的機理模型。本文利用生物滴濾塔裝置降解低有機廢氣（以甲苯為例）的數(shù)據(jù)，建立對象的BP神經網絡模型。并針對BP網絡存在的問題，引入了Levenberg-Marquardt（LM）算法及遺傳進化算法進行改進，實驗表明此神經網絡可以很好的模擬生物滴濾塔處理低濃度有機廢氣過程。

2 生物滴濾塔廢氣處理過程的神經網絡模型

神經網絡的基本單位是神經元，作用函數(shù)為，則每個神經元的輸入輸出關系為：

式中，是第k層第j個神經元的輸出，是第k-1層第i個神經元連接到第k層第j個神經元的權值，為第k層第j個神經元的閾值，N為每層神經元的個數(shù)。

誤差與信號反向，從后向前傳播，在反向傳播中修改神經元的閾值和權值。若采用BP算法訓練網絡，其迭代公式可表示為：

其中，代表當前的權值和閾值，代表迭代產生的下一次權值和閾值，η為學習速率，為當前誤差函數(shù)的梯度。

對于生物滴濾塔來說，影響廢氣降解效率的主要因素為：培養(yǎng)液（循環(huán)液）流量、進口廢氣流量、pH值，把這3個影響因子作為輸入，出口廢氣降解率作為輸出，因此生物滴濾塔裝置可以看成一個三輸入單輸出的非線性動態(tài)系統(tǒng)，網絡模型結構如圖1。

輸入層3個節(jié)點，輸出層1個節(jié)點，多次實驗確定的節(jié)點數(shù)為9個時訓練效果最佳。隱層的作用函數(shù)取：；輸出層的作用函數(shù)?。骸］斎霕颖痉謩e為：進口廢氣流量（Qg（m3/h）），甲苯濃度為：（800mg/m3）、培養(yǎng)液流量（QL（L/h））、塔內pH值；輸出樣本是甲苯降解效率。參數(shù)數(shù)據(jù)樣本都是在實驗穩(wěn)態(tài)時測得。輸入輸出結果進行歸一處理后，都處于[-1，1]范圍，為保障網絡的穩(wěn)定性，學習速率取為0.05，期望誤差為0.001，訓練結果如圖1。

由上圖看出，常規(guī)BP算法，訓練速度較慢，遠大于期望的0.001，這樣的速度沒有實用價值。其改進算法分為兩類，第一類是基于最優(yōu)化理論的訓練算法，Levenberg-MarquardtBP（LMBP）算法就是其中成功的改進算法，第二類啟發(fā)性學習算法，包括彈性BP訓練法，可變學習速率的梯度下降法等。

3 BP網絡的優(yōu)化訓練算法

遺傳算法通過模擬自然環(huán)境中的進化和遺傳過稱，形成一種全局自適應優(yōu)化概率搜索算法。利用遺傳算法優(yōu)化BP網絡的初始權重，可以在大范圍內進行權重取值，提高峰值的映度。

遺傳算法中最優(yōu)解是模仿生物的進化過程，通過染色體之間的變異和交叉完成。染色體組成種群，遺傳算子作用在種群，從而獲得新一代種群。算法優(yōu)化對象是染色體，變異、交叉、選擇是遺傳算法中常用的的法則2。

（1）變異：對種群中的個體，以一定變異概率將某個或某些基因值修改為等位基因。

（2）交叉：將種群內的個體搭配成對，以某個交叉概率交換它們的染色體。

（3）選擇：根據(jù)個體的適應度，按一定規(guī)則，從第t代種群中選擇個體遺傳到下一代。

基于遺傳算法的神經網絡優(yōu)化訓練分成兩個步驟：

（1）采用遺傳算法優(yōu)化BP網絡初始權值，遺傳算法訓練BP網絡的流程如圖3。

（2）把（1）中得的權值作為初始權值，利用前面的LMBP算法修改網絡權值。

4 實驗仿真結果

用實驗所得的數(shù)據(jù)對網絡模型訓練的結果如圖4，圖中將期望誤差從0.001降到0.0001時，BP算法在設定迭代步數(shù)內達不到期望性能。如果訓練初始點選取合適，LMBP算法能可以很快找到全局最優(yōu)解，一旦初始點選不好，會使網絡陷入局部極小點。引入遺傳算法可以很好的解決此問題，使收斂率達到100%，對學習速率又不會有太大影響。

用實驗所得的穩(wěn)態(tài)數(shù)據(jù)做輸入樣本，塔內pH保持定為7，進氣口廢氣流量為0.8m3/h，廢氣濃度為800mg/m3，培養(yǎng)液流量變化范圍20L/h～70L/h，三種訓練算法得到的網絡輸出如圖5所示。

5 結語

LMBP算法收斂速度快，但容易陷入局部極小點。遺傳算法能夠使網絡訓練時跳出局部極小，通過用遺傳算法對神經網絡優(yōu)化，既保證學習的速率，又能避免陷入局部極小點。實驗結果表明GA-MBP算法收斂能力強，效果好。利用實驗數(shù)據(jù)樣本驗證此算法得到的網絡模型，與期望實驗數(shù)據(jù)的比較發(fā)現(xiàn)，在生物膜滴濾塔廢氣處理過程中，采用神經網絡模型比采用數(shù)學公式描述的數(shù)學模型仿真結果更好。

參考文獻

[1]廖強，陳蓉，朱峋.生物膜滴濾床降解低濃度有機廢氣的理論模型[J].中國科學，2003.5，33（5）：435-442.

[2]喻宗全，喻晗.神經網絡控制[M].西安：西安電子科技大學出版社，2009.1.

[3]呂柏權，李天鐸.一種具有全局最優(yōu)的神經網絡BP算法[J].清華大學學報（自然科學版），1997，37（2）：32-34.

[4]Fei Han，Qing Hua Ling，De Shuang Huang. Modified constrained learning algorithms incorporating additional functional constraints into neural networks [J].Information Sciences， 2008（178）： 907–919.

篇10

關鍵詞:數(shù)據(jù)挖掘；機械學習；學習算法；應用探討

信息管理技術在各大企業(yè)中數(shù)據(jù)管理技術也被廣泛利用,數(shù)據(jù)管理技術的廣泛運用有利于企業(yè)內部職能部門之間的溝通聯(lián)絡。但是在使用的過程中還是有些不足之處,數(shù)據(jù)信息越來越多,這就會使數(shù)據(jù)分析具有一定的復雜性。

1完善GA-BP神經網絡模型

本文就在傳統(tǒng)的遺傳算法的基礎上提出了一種新的改進型遺傳優(yōu)化BP神經網絡模型。這種神經網絡模型對傳統(tǒng)的這種神經網絡模型在遺傳算法的染色體結構和遺傳算子兩個方面進行了相關的優(yōu)化,然后在進行BP神經網絡結構參數(shù)改進的時候,采用了自適應交叉和變異概率,下面就對改進的過程進行了簡要的分析說明。(1)設計染色體結構?？刂苹蚝蛥?shù)基因是上文所描述的新型染色體基因結構的兩個表現(xiàn)形式,這種神經網絡模型對傳統(tǒng)的遺傳算法的染色體結構和遺傳算子進行了優(yōu)化,從而對對BP神經網絡結構參數(shù)進行改進。控制基因對BP神經網絡結構參數(shù)的改進主要是對BP神經網絡的隱含層節(jié)點數(shù)優(yōu)化。另一種結構參數(shù)基因對BP神經網絡的連接權值和閾值進行優(yōu)化[2]。(2)對適應度函數(shù)進行設計,具體過程如下:在上述函數(shù)中,訓練樣本個數(shù)用n表示;訓練數(shù)據(jù)的均方根誤差用∫rmse表示,誤差一般在0～1之間。(3)選擇算子。從提出的被改進的遺傳算法上來看,在進行型遺傳優(yōu)化BP神經網絡算法在實現(xiàn)算子選取改進以常規(guī)適應值比例算法的時候經常采用最優(yōu)個體保留方法,這樣做會引發(fā)局部最小值等問題。(4)交叉、變異算子。采用單點交叉和基本變異算子是上文中提出的控制基因是改進型遺傳優(yōu)化BP神經網絡算法的上層所采用的。下層參數(shù)基因所采用的是整體算數(shù)交叉和非一致變異算子。(5)自適應交叉、變異概率。上文中提出的改進型遺傳優(yōu)化BP神經網絡算法的方式,在進行優(yōu)化的時候可以對設計自適應交叉、變異概率,以此對遺傳優(yōu)化BP神經網絡神經算法的機構和初始權重進行平衡優(yōu)化。對設計分析的簡要過如下,自適應交叉概率可以表示為∫avr表示種群的平均適應值,∫min表示種群的最小適應值,k1,k2通常在1.0上。上文中提出的改進型遺傳優(yōu)化BP神經網絡算法的過程的主要幾個步驟可以分為以下幾點:(1)對相關的數(shù)據(jù)進行及時的統(tǒng)一優(yōu)化處理。訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)是數(shù)據(jù)優(yōu)化處理之后可分為的種類。(2)在對改進型遺傳算法模型的基本參數(shù)進行設計的時候,可以用G來表示最大化代數(shù),在設定的時候要考慮隱含層節(jié)點數(shù)對種群的規(guī)模N的有關規(guī)定。(3)在對種群上層個體進行優(yōu)化的時候采用采用二進制編碼,種群下層種群個體進行優(yōu)化采用實數(shù)編碼。(4)在確定BP神經網絡結構參數(shù)的時候,可以采用對種群各個個體解碼的形式進行。(5)對種群中適很好的個體,采用遺傳操作的形式。(6)獲得新的子群,可以對種群中的遺傳個體使用自適應概率進行交叉、變異操作。(7)對BP神經網絡結構隱含層節(jié)點、權值以及閾值等結構參數(shù)進行優(yōu)化改進,進行不斷的創(chuàng)新的過程就是對上下層的子群個體解碼的優(yōu)化。(8)進行(5)循環(huán)的要求有兩個,就是在迭代步數(shù)達到了設定的最大值執(zhí)行(5)循環(huán),在最大個體適應度值滿足要求的時候,也要進行(5)循環(huán)過程。(9)在確定最佳的BP神經網絡隱含層節(jié)點數(shù)、閾值和連接權值等參數(shù)的時候,采用對適應值最佳的個體進行解碼的形式。

2機械學習算法實例

下面就舉出有關的例子對上文所提出的優(yōu)化過程進行簡要分析,下文所采用的實例是煤礦空壓機的故障診斷系統(tǒng),然后對改進型遺傳優(yōu)化BP神經網絡算法進行有效的探索研究。(1)首先應該做好相應的準備工作,閱讀相關的空壓機的說明書,例如使用說明書和故障說明書等。在使用空壓機的時候,還應該對使用過程中的經驗進行積累,在使用結束后再對相關經驗進行分析總結,空壓機的故障類型以及故障是怎么來的,在進行數(shù)據(jù)整理的時候都要進行分析研究,及時的發(fā)現(xiàn)問題所在。煤礦空壓機的故障診斷系統(tǒng)就是本文所采用的實例。通過相應的實驗數(shù)據(jù)分析,煤礦空壓機呈現(xiàn)出5種工作狀態(tài),用符號Y1-Y5表示,以此作為神經網絡故障診斷模型的輸出。Y1-Y5所表示的內容如下:Y1表示煤礦空壓機正常的工作狀態(tài);Y2表示煤礦空壓機冷卻水系統(tǒng)出現(xiàn)故障的工作狀態(tài);Y3表示煤礦空壓機體統(tǒng)出現(xiàn)故障的工作狀態(tài);Y4表示煤礦空壓機軸承出現(xiàn)故障的工作狀態(tài);Y5表示煤礦空壓機電路系統(tǒng)出現(xiàn)故障的工作狀態(tài)。如果出現(xiàn)以上故障,根據(jù)相關的經驗以及故障的了解,故障的表現(xiàn)形式可以分為10種,用符號X1-X10表示,即為神經網絡故障診斷模型的輸入。X1-X10分別表示:X1表示煤礦空壓機排氣量過低;X2表示空壓機排氣壓力不足;X3表示空壓機排氣溫度超限;X4表示空壓機冷卻水溫度超限;X5表示空壓機冷卻水壓力不足;X6表示空壓機主機轉速低限;X7表示空壓機振動超限;X8表示空壓機系統(tǒng)油溫超限;X9表示空壓機油壓力不足;X10表示軸承溫度超限。(2)空壓機經過數(shù)據(jù)挖掘之后的故障診斷分析。通過對空壓機可能出現(xiàn)的故障進行分析,為了看出新的神經網絡的良好的性能,采用傳統(tǒng)的遺傳神經網絡算法建立了煤礦空壓機故障針對系統(tǒng),在進行網絡訓練的時候應該采用相同的訓練數(shù)據(jù)樣本,在測試的時候也應該采用相同的測試數(shù)據(jù)樣本。通過相應的實驗可以看出,在經過569次迭代后改進型GA-BP神經網絡算法就使得誤差達到了設定范圍內,但是如果采用傳統(tǒng)的神經網絡算法就沒有那么好的效果,只有在進行2779次迭代才使得誤差滿足要求。由此可以看出,優(yōu)化改進后的BP神經網絡算法在各個方面上都有很好的效果,特別是網絡的訓練速度、收斂速度和收斂精度方面。改進型GA-BP神經網絡算法在個方面都有比傳統(tǒng)的算法要好。為了能夠更加明顯的看出效果,下面采用100組數(shù)據(jù)進行研究分析。從測試的結果可以看出,87.5%是傳統(tǒng)的P神經網絡的診斷正確率,診斷時間為564s,輸出值存在一定的不穩(wěn)定性,而上文中所提到的優(yōu)化改進后的GA-BP神經網絡的診斷正確率為98.2%,診斷時間為246s,輸出值相對穩(wěn)定,從這數(shù)據(jù)可以看出,改進后的效果明顯比傳統(tǒng)的BP神經網絡算法要好的多。改進后的BP神經網絡算法的錯誤率比較低,檢測的準確率和速度都有提高,工作性能也有所提高。

3結語

在社會的不斷發(fā)展進步的過程中,數(shù)據(jù)挖掘技術也在不斷的創(chuàng)新,在社會中的運用也越來越廣泛,發(fā)展速度也越來越快。本文就在傳統(tǒng)的遺傳算法的基礎上提出了一種新的改進型遺傳優(yōu)化BP神經網絡模型。這種神經網絡模型對傳統(tǒng)的神經網絡模型在遺傳算法的染色體結構和遺傳算子兩個方面進行了相關的優(yōu)化,然后在進行BP神經網絡結構參數(shù)改進的時候,采用了自適應交叉和變異概率,這樣有利于各種數(shù)據(jù)的處理。

作者:馮琬婷 單位:遼寧省大連市遼寧師范大學

參考文獻