基于神經網絡和遺傳算法融合技術的模型研究.pdf

1、神經網絡在模式識別、系統(tǒng)辨識、信號處理、自動控制、組合優(yōu)化、預測預估、故障診斷、經濟學等領域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出良好的智能特性和潛在的應用前景。遺傳算法建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化，是模擬生物在自然界中的進化過程所形成的一優(yōu)化求解算法。即神經網絡學習算法易于陷入誤差函數(shù)的局部極值點。遺傳算法(GA)同即算法相比，具有許多優(yōu)點，不易陷入局部極值點。但是當遺傳搜索迅速找到最優(yōu)解附近

2、時，不易精確地確定最優(yōu)解的位置，它在局部搜索空間微調能力差。從一定意義上將即神經網絡是一種局部微觀算法，而遺傳算法是一種全局宏觀算法，一種算法如何尋求在宏觀與微觀協(xié)調統(tǒng)一成為很多學者探索的問題。本文針對這一問題開展研究工作?！　”菊撐尼槍ι鲜鰡栴}作了以下研究，首先，研究了神經網絡解決問題的核心思想，對神經網絡的局限性進行分析，提出了修改動量因子、自適應調節(jié)學習率、陡度因子的計算公式；利用上述結果和交叉熵最小化方法改進了BP神經網絡算法

3、，設計并實現(xiàn)了改進的BP神經網絡算法；探討了即神經網絡的收斂性。對遺傳算法的基本原理進行研究，分析了遺傳算法的全局收斂性，對遺傳算法的核心問題進行研究，給出了自適應的交叉概率和變異概率計算公式，進而對已有的遺傳算法改進，設計了改進的遺傳算法。綜合上述研究結果，本文將改進的BP與GA有機結合，構造出神經網絡和遺傳算法融合學習模型(BGF)，利用GA的交叉、變異選擇算子在全變量空間以較大概率搜索全局解的特點，以及在解點附近BP算子能快速、精