基于遗传算法的bp神经网络的应用

《基于遗传算法的bp神经网络的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于遗传算法的BP神经网络的应用----非线性函数拟合摘要人工神经网络在诸多领域得到应用如信息工程、自动控制、电子技术、目标识别、数学建模、图像处理等领域，并且随着神经网络算啊发的不断改进以及其他新算法的结合，使其应用的领域越来越广。BP神经网络是目前神经网络领域研究最多应用最广的网络，但BP神经网络学习算法易陷入局部极小的缺陷，本文采用遗传算法来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值，然后将这些优化值赋给网络得到优化的BP神经网络，最后用MATLAB仿真平台，对非线性函数的逼近拟合和极值寻优问题进行实验。

2、数值仿真结果表明：经遗传算法优化的BP神经网络能有效地避免原始BP神经网络容易出现的局部极小的缺陷，且具有收敛速度快和精度高等优点。关键词：BP神经网络遗传算法MATLAB结构优化Abstract—Inrecentyears,artificialneuralnetworkgraduallyattentionhasbeenpaidintothehotareaofresearchinmanyfieldshavebeeninvolvedinelectronicapplicationssuchasotherfieldshaveawiderange

3、ofapplications,andalsocontinuedtoexpanditsapplications.ToalleviatetheshortcomingofeasilysinkingintothelocalminimumexistingintheBPneuralnetwork,thepaperexploitsthegeneticalgorithmtooptimizetheBPneuralnetwork.Firstofall,thegeneticalgorithmisutilizedtooptimizetheweightvalues

4、aswellasthethresholdvaluesoftheBPneuralnetwork.Subsequently,byusingtheoptimizedweightvaluesandthresholdvalues,weareabletogettheimprovedBPneuralnetwork.Furthermore,weemploythesimulationdatatomeasuretheperformanceoftheimprovedBPneuralnetwork.Thenumericalresultsindicatethatt

5、heoptimizedBPneuralnetworkcaneffectivelyovercomethelocalminimumoftheoriginalBPneuralnetworkandoutperformtheoriginalBPneuralnetworkintheaspectsofconvergencespeedand19computationaccuracy.Keywords—BPneuralnetwork,geneticalgorithm,optimization1.引言前馈神经网络（BP模型）其非线性逼近能力是它博得青睐的主要

6、原因，而BP算法作为前馈网络的主要学习算法，则无可争议的对其推广应用起了举足轻重的促进作用。BP算法因其简单、易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最为成熟的训练算法之一。然而，由于BP算法是一种梯度下降搜索方法，因而不可避免地存在固有的不足，如易陷入误差函数的局部极值点，而且对于较大搜索空间、多峰值和不可微函数也不能有效搜索到全局极小点，而遗传算法则是克服这一不足的有效解决方法，主要是因为遗传算法是一种全局优化搜索算法[3]，因而能够避开局部极小点，而且在进化过程中也无需提供所要解决问题的梯度信息。2.BP神经网

7、络2.1BP神经网络的特点在20世纪80年代，Rumelhart等人首次提出了BP神经网络算法,BP神经网络的本值就是反向传播神经网络(BackPropagationNeuralNetwork)。BP神经网络与其他网络相比具有其独特的特点：分布式存储方式，大规模并行处理，自学习和自适应能力，容错性及鲁棒性好[2]。2.2BP神经网络模型BP神经网络具有一个输入层、一个输出层以及若干隐含层,其本质是一种多层前馈神经网[1]19。在BP神经网络中每一层的神经元都不与相同层的神经元相连接，这是由于在神经网络中各层之间是以全连接方式连接到一起构成

8、网络的，因此各层的神经元只能接受下层神经元送来的激活信号，并向多层映射网传递修正误差及反馈，BP网络的这种结果使得他能在参数选择合理时收敛点较小的均方误差。对许多实际问题的解决都是利用BP网络