基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)

發(fā)布時間：2016-07-22 11:08

本文關(guān)鍵詞：基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

中圖分類號:TP389.1文獻(xiàn)標(biāo)識碼:A文章編號；基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)；歐陽玉梅；1,2；,馬志強(qiáng),方若森；12；(1.東北師范大學(xué)計算機(jī)學(xué)院,長春130117;；摘要:介紹遺傳神經(jīng)網(wǎng)絡(luò)以及運用MATLAB工具箱；絡(luò)實現(xiàn)的關(guān)鍵問題,包括設(shè)計網(wǎng)絡(luò)架構(gòu)、選取學(xué)習(xí)規(guī)則；Designandrealizationofge；networkbased

　　中圖分類號:TP389.1　　文獻(xiàn)標(biāo)識碼:A　　文章編號:1009-2552(2008)06-0073-04

基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)

歐陽玉梅

1,2

,馬志強(qiáng),方若森

(1.東北師范大學(xué)計算機(jī)學(xué)院,長春130117;2.伊犁師范學(xué)院,奎屯833200)

摘　要:介紹遺傳神經(jīng)網(wǎng)絡(luò)以及運用MATLAB工具箱構(gòu)造遺傳神經(jīng)網(wǎng)絡(luò)的方法,并詳細(xì)闡述網(wǎng)

絡(luò)實現(xiàn)的關(guān)鍵問題,包括設(shè)計網(wǎng)絡(luò)架構(gòu)、選取學(xué)習(xí)規(guī)則、進(jìn)化訓(xùn)練權(quán)重與閾值。給出應(yīng)用示例,體現(xiàn)出用MATLAB語言建立、訓(xùn)練和仿真網(wǎng)絡(luò)的編程將會非常容易。通過與BP神經(jīng)網(wǎng)絡(luò)的比較,說明遺傳神經(jīng)網(wǎng)絡(luò)的優(yōu)良性能。關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò);遺傳算法;MATLAB

Designandrealizationofgenetic2neural

networkbasedonMATLAB

OUYANGYu2mei

1,2

,MAZhi2qiang,1(1.CollegeofComputer,NortheastNormal,2.YiliNormalCollege,)

Abstract:Thispaperintroducesgenetic2,usingtheMATLABtoolkittodesigngenetic2neuralnetworkisintrnetwork’srealization,whichincludedesigningnetwork,evolutionarytrainingweightandthresholdareillustratedindetail.isout.Itcanbeeasilythatcreatinganetwork,traininganetworkandsimulatingawithMATLABlanguage.Theefficiencyofgenetic2meuralmetworkisshowedwithcomparingtheBPneuralnetworkwithgenetic2neuralnetwork.Keywords:neuralnetworks;geneticalgorithms;MATLAB

0　引言

人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的并行處理、分布式信息存儲、自組織自適應(yīng)及學(xué)習(xí)能力,已廣泛應(yīng)用于模式識別、人工智能、控制工程及信號處理等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)是眾多神經(jīng)網(wǎng)絡(luò)中應(yīng)用最多的一種。

進(jìn)行優(yōu)化設(shè)計具有語言簡單、函數(shù)豐富、用法靈活、編程效率高等特點。本文介紹了運用MATLAB工

具箱構(gòu)造遺傳神經(jīng)網(wǎng)絡(luò),并通過打印體數(shù)字識別系統(tǒng)實例比較了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與遺傳神經(jīng)網(wǎng)絡(luò)的性能。

遺傳算法(GeneticAlgorithms,簡稱GAs)是以自然選擇和遺傳理論為基礎(chǔ),將生物進(jìn)化過程中適者生存規(guī)則與群體內(nèi)部染色體隨機(jī)交換機(jī)制相結(jié)合的高效全局尋優(yōu)搜索算法。神經(jīng)網(wǎng)絡(luò)主要用來學(xué)習(xí),遺傳算法主要用來優(yōu)化。用遺傳算法可以指導(dǎo)神經(jīng)網(wǎng)絡(luò)權(quán)重與閾值的優(yōu)化和拓?fù)浣Y(jié)構(gòu)的選擇。由此得到的混合智能系統(tǒng)———遺傳神經(jīng)網(wǎng)絡(luò)能發(fā)揮出各自的優(yōu)勢。MATLAB是MathWorks公司研制的一套高性能的數(shù)值計算和可視化軟件,得到了各個領(lǐng)域?qū)＜覍W(xué)者的廣泛關(guān)注。用MATLAB語言及其優(yōu)化工具箱

1　BP神經(jīng)網(wǎng)絡(luò)設(shè)計的關(guān)鍵

1.1　選擇神經(jīng)網(wǎng)絡(luò)架構(gòu)

BP神經(jīng)網(wǎng)絡(luò)又稱反向傳播網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)

連接權(quán)的調(diào)整采用的是反向傳播學(xué)習(xí)算法。它是一

種前饋網(wǎng)絡(luò),采用最小均方差學(xué)習(xí)方式。

神經(jīng)網(wǎng)絡(luò)的架構(gòu)和大小取決于問題的復(fù)雜程度。商用ANN一般有三層或四層,包含一到兩個隱

收稿日期:2007-10-19

作者簡介:歐陽玉梅(1964-),女,伊犁師范學(xué)院副教授,現(xiàn)就讀于

東北師范大學(xué)計算機(jī)學(xué)院,碩士研究生,主要研究方向為計算智能。

—73

—

含層。每層有10～1000個神經(jīng)元。但大多數(shù)應(yīng)用系統(tǒng)僅有三層,因為每增加一層,計算量將呈指數(shù)倍增加。具有一個輸入層、一個隱含層和一個輸出層的兩層(按MATLAB不計算輸入層在內(nèi))BP神經(jīng)網(wǎng)絡(luò)的簡化模型圖如圖1所示

。

經(jīng)元傳遞函數(shù)和訓(xùn)練用函數(shù)名稱等。newff()自動完

成權(quán)值和閾值的初始化。也可用init()或initff()對網(wǎng)絡(luò)初始化。

在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中BP算法及其改進(jìn)算法相應(yīng)的訓(xùn)練函數(shù)有:批處理梯度下降法(traingd)、附加動量法(traingdm)、自適應(yīng)學(xué)習(xí)速率(traingda,traingdx),以及Levenberg2Marquardt方法(trainlm)等。每一種都有各自的特點�？梢韵葮�(gòu)建

網(wǎng)絡(luò)并設(shè)定訓(xùn)練算法,然后再應(yīng)用通用的訓(xùn)練函數(shù)train()。也可以直接應(yīng)用相應(yīng)算法的訓(xùn)練函數(shù)進(jìn)行訓(xùn)練。函數(shù)train()的格式為[net,tr,Y,E,Pf,Af]=train(net,P,T,Pi,Ai,VV,TV)。

圖1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

用網(wǎng)絡(luò)仿真函數(shù)sim()或simuff()可以測試神經(jīng)

網(wǎng)絡(luò)的性能。sim()格式為[Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T)。

由于MATLAB是以矩陣為基本運算單元,因此它的每一個輸出參數(shù)和輸入?yún)?shù)均為矩陣。通常把第二層的輸出a2標(biāo)記為y。輸入向量的維數(shù)決定了輸入層神經(jīng)元的個數(shù)R。輸出為二值形式時表示分類(輸出為連續(xù)形式時用于解決預(yù)測問題),分類類型數(shù)目決定了輸出層神經(jīng)元的個數(shù)S2(有時用編碼表示,如4個神經(jīng)元可以表示16個類型)。

仿真實驗表明,。另外,,�？梢杂山�(jīng)驗來決定.例如,在實驗時可使用2,5,10和20個比較其結(jié)果。

隱含層節(jié)點的激活函數(shù)根據(jù)問題特點可以選tansig或logsig,輸出層節(jié)點的激活函數(shù)可以在tansig、logsig和purelin中挑選。1.2　選取學(xué)習(xí)規(guī)則

BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點是只要有足夠的隱含層和

2　遺傳神經(jīng)網(wǎng)絡(luò)設(shè)計的關(guān)鍵

2.1　,適者生、交叉、,從而使適應(yīng)度高的個體被保留下來,組成新的群體,新群體中各個個體適應(yīng)度不斷提高,直至滿足一定的極限條件。此時,群體中最高適應(yīng)度的個體即為待優(yōu)化參數(shù)的最優(yōu)解。遺傳算法能夠在復(fù)雜空間進(jìn)行全局優(yōu)化搜索,并且具有較強(qiáng)的魯棒性。

盡管BP算法有了許多改進(jìn),可以用來解決各種問題,但仍然存在不能保證得到最優(yōu)解決方案、最佳結(jié)構(gòu)難以選擇的嚴(yán)重缺點�？梢杂眠z傳算法指導(dǎo)權(quán)重與閾值優(yōu)化、拓?fù)浣Y(jié)構(gòu)選擇以及學(xué)習(xí)規(guī)則進(jìn)化等。本文只介紹遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)重與閾值。2.1.1　編碼染色體

隱結(jié)點,就可以逼近任意的非線性映射關(guān)系;學(xué)習(xí)算法屬于全局逼近的方法,因而具有較好的泛化能力;有較好的容錯性。缺點為收斂速度慢;容易陷入局部極值,難以確定隱含層數(shù)和隱含層節(jié)點數(shù)。針對這些缺點,人們又提出了BP算法的一些改進(jìn)算法,如加入動量項、學(xué)習(xí)率自適應(yīng)、L2M算法等。1.3　用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)造BP網(wǎng)絡(luò)

要使用遺傳算法,首先要將問題域表示成染色

體。網(wǎng)絡(luò)初始權(quán)重是在一個很小的范圍(例如[-1,1])內(nèi)隨機(jī)選擇的。采用實數(shù)編碼,可將各權(quán)重和閾

值級聯(lián)在一起,轉(zhuǎn)換成遺傳空間中的染色體。討論一個兩層神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)如圖1所示。其中p和y分別表示網(wǎng)絡(luò)的輸入和輸出,R和S2分別表示輸入和輸出的維數(shù),S1為隱節(jié)點數(shù),IW1,1(簡記為W1)為輸入層到隱含層的連接權(quán)重矩陣,LW2,1(簡記為W2)為隱含層到輸出層的連接權(quán)重矩陣。編碼的前部分為W1,隨后是W2,之后是閾值b1,閾值b2。顯然,染色體長度為:S=R3S1+S13S2+S1+

使用函數(shù)newff()生成神經(jīng)網(wǎng)絡(luò)。函數(shù)newff()

格式為net=newff(PR,[S1S2…SN1],{TF1TF2…TFN1},BTF,BLF,PF),它需要的參數(shù)有輸入向量的

最小值最大值的取值范圍、各層神經(jīng)元個數(shù)、各層神—74

—

S2,即一個染色體由S個基因構(gòu)成,如表1所示。

表1　染色體的權(quán)重與閾值編碼

W11,1W11,2…W1S1,RW22,1W22,2…W2S2,S1b11…b1S1b21

xOverOps,mutFNs,mutOps)。

在MATLAB環(huán)境下,設(shè)定相應(yīng)的參數(shù),執(zhí)行g(shù)a

…b2S2

就可以完成優(yōu)化。

構(gòu)造遺傳神經(jīng)網(wǎng)絡(luò)主要步驟如下:(1)BP網(wǎng)絡(luò)初始化。(2)確定BP網(wǎng)絡(luò)權(quán)值與閾值的范圍和編碼長度。(3)初始化種群。(4)設(shè)定相應(yīng)的參數(shù),執(zhí)行遺傳算法;其中包括對群體中的個體的適應(yīng)度評價,選擇、交叉、變異遺傳操作,進(jìn)化生成新一代的群體;反復(fù)進(jìn)行直至進(jìn)化到設(shè)定的代數(shù);并由此得到進(jìn)化解(最佳染色體個體)。(5)將進(jìn)化解編碼分解為BP網(wǎng)絡(luò)所對應(yīng)的權(quán)值、閾值;(6)將初步得到的權(quán)值、閾值賦給BP網(wǎng)絡(luò)后直接仿真;也可以進(jìn)一步設(shè)置BP訓(xùn)練參數(shù),再進(jìn)行BP訓(xùn)練(此為混合GA2BP算法訓(xùn)練),然后仿真。(7)為使網(wǎng)絡(luò)對輸入有一定的容錯能力,還可利用不含和含有噪聲的輸入數(shù)據(jù)反復(fù)訓(xùn)練網(wǎng)絡(luò),再次仿真。

2.1.2　定義適應(yīng)度函數(shù)

定義適應(yīng)度函數(shù)來評估染色體性能。該函數(shù)必須評估給定神經(jīng)網(wǎng)絡(luò)的性能。可以使用由誤差平方和的倒數(shù)這個相當(dāng)簡單的函數(shù)。這樣,適應(yīng)度越大,網(wǎng)絡(luò)的實際輸出和期望輸出的誤差越小。2.1.3　構(gòu)造有效的遺傳操作算子

遺傳操作算子有選擇、交叉和變異三類。

選擇(復(fù)制):根據(jù)各個個體的適應(yīng)度,按照一定的規(guī)則或方法,從第t代群體中選擇出一些優(yōu)良的個體遺傳到下一代群體中�？梢蕴暨x輪盤賭選擇、標(biāo)準(zhǔn)幾何選擇、錦標(biāo)賽選擇等算法。

交叉:將群體內(nèi)的各個個體隨機(jī)搭配成對,對每一對個體,以某個概率(稱為交叉概率)交換它們之間的部分染色體;可以挑選算術(shù)交叉、啟發(fā)式交叉、簡單交叉等算法。

變異:對群體中的每一個個體,以某一概率(稱為變異概率)改變某一個或某一些基因座上的基因值為其他基因值�？梢蕴暨x以下的算法:多點非均勻變異、非均勻變異、2.2　用MATLAB3　打印體數(shù)字識別系統(tǒng)的實現(xiàn)

3.1　

BP,5,如圖2所示。因此,輸入層R為45。輸出層選10個神經(jīng)元S2=10),每個神經(jīng)元用來識別一個數(shù)字。數(shù)字識別系統(tǒng)輸入和預(yù)期的輸出模式如表2所示。

MAT神經(jīng)網(wǎng)絡(luò)。關(guān)于在MATLAB中可以使用的遺傳算法工具箱主要有三種:(1)GAOT(GeneticAlgorithmOptimizationToolbox)工具箱:這是美

國北卡羅萊納那州立大學(xué)推出的遺傳算法優(yōu)化工具箱。它不是MATLAB軟件自帶的,可自行配置使用。(2)GATBX(GeneticAlgorithmToolbox)工具箱:這是英國設(shè)菲爾德(Sheffield)大學(xué)開發(fā)的遺傳算法工具箱,也不是MATLAB軟件自帶的,可自行配置使用。(3)GADST(GeneticAlgorithmandDirectSearchToolbox,)工具箱:這是MathWorks公司最新發(fā)布的

數(shù)字

1234567890

圖2　數(shù)字的9×5位圖

表2　數(shù)字識別系統(tǒng)輸入和預(yù)期的輸出模式

輸入模式p(45行10列矩陣)

p1　　　　　　　　　　　……　　　　　　　　　　　p45

遺傳算法與直接搜索工具箱。MATLAB7.x包含了這個工具箱,MATLAB7.0以前的版本沒有這個工具箱。本文以GAOT工具箱為基礎(chǔ)介紹。

GAOT工具箱包括了許多實用的函數(shù)。函數(shù)功

預(yù)期的輸出

模式T(10行10列矩陣)T1……T10

1000000000010000000000100000000001000000000010000000000100000000001000000000010000000000100000000001

001000110010100001000010000100001000010000100011101000100001000010001000100010001000011111011101000100001000010001000001000011000101110000100011000110010100101010010111110001000010111111000010000111101000100001000011000101110011101000110000100001111010001100011000101110111110000100010000100010000100010000100001000011101000110001100010111010001100011000101110011101000110001100010111100001000011000101110011101000110001100011000110001100011000101110

能及參數(shù)說明可在工具箱相應(yīng)m文件中找到。其核心函數(shù)有:初始種群生成函數(shù),格式Function[pop]=Initializega(num,bounds,evalFN,evalOps,options);遺傳算法函數(shù),格式為:function[x,endPop,bPop,tra2ceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectFN,selectOps,xOverFNs,

—75

—

　　隱含層神經(jīng)元的個數(shù)選5(S1=5)。隱含層節(jié)點的激活函數(shù)選logsig;輸出層節(jié)點的激活函數(shù)選logsig;訓(xùn)練函數(shù)選trainlm。3.2　遺傳算法主要參數(shù)設(shè)計染色體編碼采用實數(shù)編碼,適應(yīng)度函數(shù)為誤差平方和的倒數(shù),種群規(guī)模為50,遺傳代數(shù)為80,選擇函數(shù)為normGeomSelect,交叉函數(shù)為arithXover,變異函數(shù)為nonUnifMutation。3.3　MATLAB程序主程序:GABPNETSHUZI.m。它包括以下子程序:適應(yīng)度計算函數(shù)gabpEvalSHUZI.m;將遺傳算法的編碼解碼為BP網(wǎng)絡(luò)所對應(yīng)的權(quán)值、閾值函數(shù)ga2decodSHUZI.m。

主程序如下(子程序從略):functionnet=GABPNETSHUZI(XX,YY)

%GABPNETSHUZI.m

%使用遺傳算法對BP網(wǎng)絡(luò)權(quán)值閾值進(jìn)行優(yōu)

figure(2)

);plot(trace(:,1),trace(:,3),′b2′

);xlabel(′Generation′);ylabel(′Fittness′

%將遺傳算法的結(jié)果分解為BP網(wǎng)絡(luò)所對應(yīng)的

權(quán)值與閾值

[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecodSHUZI(x);XX=P;YY=T;

%設(shè)置訓(xùn)練參數(shù)

dispfqre=100;maxepoch=3000;errgoal=0.002;lr=0.01;

TP=[dispfqremaxepocherrgoallr];%訓(xùn)練網(wǎng)絡(luò)

[W1,B1,W2,B2,te,tr]=trainlm(W1,B1,′logsig′,W2,B2,′logsig′,XX,YY,TP);

%為使網(wǎng)絡(luò)對輸入有一定的容錯能力,再利用

化,再用BP算法訓(xùn)練網(wǎng)絡(luò)

nntwarnoff

loadXXYY%加載數(shù)據(jù)

%創(chuàng)建網(wǎng)絡(luò)

net=newff(minmax(XX),[5,10],{);logsig′},′trainlm′

%P=XX;T[R,N1]=P)[S2,N1]=size(T)S1=5;%隱含層節(jié)點數(shù)

S=R3S1+S13S2+S1+S2;%遺傳算法編碼

net.=;

[YYYYYYYY];fori=1:10

　　XX1=[XXXX(XX2randn(R,N1)30.1)　　(XX2randn(R,N1)30.2)];

　　[net1,tr,Y,E,Pf,Af]=train(net1,XX1,YY1);

end

y1=sim(net1,XX);

%為了保證網(wǎng)絡(luò)總能夠正確對理想輸入信號進(jìn)

長度

aa=ones(S,1)3[21,1];

popu=50;%種群規(guī)模

initPpp=initializega(popu,aa,′gabpEvalSHU2);%初始化種群ZI′

gen=80;%遺傳代數(shù)

%下面調(diào)用gaot工具箱,其中目標(biāo)函數(shù)定義為gabpEvalSHUZI

[x,endPop,bPop,trace]=ga(aa,′gabpEvalSHU2ZI′,[],initPpp,[1e2611],

行識別,再次用理想信號進(jìn)行訓(xùn)練net1.trainParam.

epochs=2000

net1.trainParam.goal=0.001

[net1,tr,Y,E,Pf,Af]=train(net1,XX,YY;

%定義網(wǎng)絡(luò)的輸入為1,3,5,7;仿真并輸出結(jié)果XXtest=XX(:,2:2:9);y2=sim(net1,XXtest)3.4　評價與比較

′maxGenTerm′,gen,′normGeomSelect′,[0.09],[′

arithXover′],[2],′nonUnifMutation′,[2gen3]);

%繪收斂曲線圖

figure(1)

);plot(trace(:,1),trace(:,3),′r2′);xlabel(′Generation′

);ylabel(′Sum2SquaredError′

網(wǎng)絡(luò)訓(xùn)練完成后,就可以用測試集來測試網(wǎng)絡(luò),

檢查它的性能。測試集與訓(xùn)練集完全無關(guān),否則會導(dǎo)致“用訓(xùn)練集進(jìn)行測試”的方法論上的錯誤。應(yīng)該用包含“噪聲”的例子———扭曲的輸入模式。例如,從表示10個數(shù)字的位圖的輸入向量的正態(tài)分布中選擇一些小的隨機(jī)值(MATLAB中用Randn函數(shù)產(chǎn)生)加入測試模式中。測試方案可采用(下轉(zhuǎn)第80頁)

—76—

　　而采用改進(jìn)型SP分層解碼算法的解碼延時比不采用分層解碼算法的延時降低了20%,而在R=2Π3A,SNR=2.4時誤碼率已經(jīng)降低到了10以下。

-3

5　結(jié)束語

本文提出了一種基于WiMax802.16e采用修改的SP算法的LDPC碼解碼器的結(jié)構(gòu),該結(jié)構(gòu)支持六種不同碼率,其中碼字最大長度為2304bit的LDPC碼的解碼,并且分別對采用分層解碼和不采用分層解碼兩種情況進(jìn)行了仿真驗證,同時降低了解碼延時和誤碼率。參考文獻(xiàn):

[1]　GallagerRG.Lowdensityparitycheckcodes[J].IRETrans.Inform.

圖4　分層解碼下R=1Π2的BER

曲線

Theory,1962,IT-8:21-28.

[2]　MansourMM,ShanbhagNR.High2ThroughputLDPCDecoders[J].

IEEETransactionsonVeryLargeScaleIntegration(VLSI)Systems,2003,11(6):976-996.

[3]　HocevarDE.Areducedcomplexitydecoderarchitecturevialayered

decodingofLDPCcodes[C]ΠΠProc.IEEEWorkshoponSignalPro2cessingSystems(SiPS’04),Austin,October2004:107-112.[4]　GM.forLayeredDecoding

forCommunications,ICC’07.,2007.

implementationsofthesum2productalgorithm

decodingLDPCcodes[C]ΠΠProc.IEEEGLOBECOM,SanAntonio,TX,2001,2:1036-1036E.

[6]　IEEEStd802.16e[S].2005AMENDMENT2ANDCORRIGENGUM

1TOIEEEStd802.16,2004:626-630.

圖5　R=2Π3A的BER曲線責(zé)任編輯:么麗蘋

(上接第76頁)神經(jīng)網(wǎng)絡(luò)分類器的統(tǒng)計評估:“簡單驗

證”或“m2重交叉驗證”。

測試表明,遺傳神經(jīng)網(wǎng)絡(luò)比純BP神經(jīng)網(wǎng)絡(luò)識別誤差率小,平均分類精度高。雖然用遺傳算法尋找最優(yōu)權(quán)重與閾值需要一些時間,內(nèi)存消耗也較大;但是對BP的訓(xùn)練非�？�,而且很快就收斂到了目標(biāo)值。經(jīng)多次訓(xùn)練,基本在50代以內(nèi)就找到了最優(yōu)結(jié)構(gòu),對于優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果,基本在50步以內(nèi)就能收斂到最優(yōu)解。少數(shù)情況下,遺傳神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)需要比較多的代數(shù),甚至在最大迭代步數(shù)內(nèi)不能找到最優(yōu)解,但這樣的情況出現(xiàn)的概率比純BP神經(jīng)網(wǎng)絡(luò)要小得多。用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法,在處于極值點的時候能使BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)跳出局部極值點,從而繼續(xù)搜索找到最優(yōu)解�？梢钥闯鲞z傳算法對神經(jīng)網(wǎng)絡(luò)的性能優(yōu)化有明顯效果。

起的混合智能系統(tǒng),體現(xiàn)了計算智能的精華部分。而MATLAB中的工具箱使遺傳神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練以及仿真都變得非常簡單,可以使用戶從學(xué)科范圍內(nèi)的基礎(chǔ)程序編寫的繁重負(fù)擔(dān)中解脫出來,更多地致力于研究待解決問題。并且訓(xùn)練過程及效果非常直觀,為廣大科研工作者提供了便利。參考文獻(xiàn):

[1]　李國勇.智能控制及其MATLAB實現(xiàn)[M].電子工業(yè)出版社,

2007:122-126.

[2]　[澳]MichaelNegnevitsky.人工智能.智能系統(tǒng)指南[M].機(jī)械工

業(yè)出版社,2007:196-224.

[3]　蘇高利,鄧芳萍.論基于MATLAB語言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算

法[J].科技通報,2003,19(2):130-135.

[4]　FrankHFLeumg,LamHK,LingSH.Tuningofstructureandpara2

metersofneuralnetworkusinganimprovedgeneticalgorithm[J].IEEETransonNeuralNetworks,2003,14(1):79-88.

[5]　RovithakisGA,ChalkiadakisI,ZervakisME.High2orderneuralnet2

workstructureselectionusinggeneticalgorithms[J].IEEETransonSystems,ManandCybernetics,2004,34(1):150-158.

4　結(jié)束語

遺傳神經(jīng)網(wǎng)絡(luò)是進(jìn)化計算與神經(jīng)網(wǎng)絡(luò)結(jié)合在一—80

—

責(zé)任編輯:么麗蘋

三億文庫3y.uu456.com包含各類專業(yè)文獻(xiàn)、文學(xué)作品欣賞、幼兒教育、小學(xué)教育、各類資格考試、外語學(xué)習(xí)資料、行業(yè)資料、高等教育、應(yīng)用寫作文書、基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)_圖文27等內(nèi)容。

下載地址：基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)_圖文27.Doc

　　【】

天堂国产午夜亚洲专区-少妇人妻综合久久蜜臀-国产成人户外露出视频在线-国产91传媒一区二区三区

基于MATLAB的遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)