导 师: 段玉波
学科专业: G11
授予学位: 硕士
作 者: ;
机构地区: 东北石油大学
摘 要: BP网络虽然有简单的优点,但它的实质是基于梯度下降的算法原理,BP网络会有陷入局部最小的可能,进而会妨碍BP网络的学习,同时,网络泛化能力也要降低。此外,当BP网络解决比较复杂的问题时,人为地去设计网络结构不容易达到恰到好处的效果。遗传算法是人工智能的一个分支,应用广泛,具有很强的全局收索和优化计算能力,不依赖于梯度信息,适合解决高度复杂的非线性问题,并且,可以对问题进行大规模并行分布处理,可以很好的解决BP网络结构设计的问题。论文研究了神经网络的结构确定的基本方法,讨论了常规神经网络结构确定存在的问题和不足,分别研究了附加动量法、学习率自适应法、共轭梯度法、Levenberg-Marquardt(LM)算法在神经网络设计中的应用,提出变焦遗传算法和BP算法相结合的神经网络结构设计方法。考虑到BP网络存在训练速度慢、局部最优问题,而遗传算法在整体搜索策略和优化计算方面不依赖于梯度信息,特别适用于高度复杂的非线性问题;也因为遗传算法的并行性,使得它更适合大规模并行分布处理,结合遗传算法的优点,给出了基于遗传算法优化神经网络结构的可行性,并给出了二者结合的具体方法,仿真验证了所给方法的有效性。论文对遗传算法采用混合编码,设计一种自适应的遗传方法,让交叉概率和变异概率随着进化过程动态调整。然后,针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构,提高了网络的收敛速度和网络的泛化能力,避免了局部极小点问题的出现。
分 类 号: [TP183]
领 域: [自动化与计算机技术] [自动化与计算机技术]