论文部分内容阅读
近年来人工神经网络逐渐受到人们的重视成为了热点研究领域,在诸多领域都得到了应用如涉信息工程、自动控制、电子技术等。同时也广泛应用于诸如目标识别、数学建模、图像处理分析等领域,并且随着神经网络算法的不断改进以及与其他新算法的结合,使其应用的领域越来越广。研究人工神经网络的理论知识以及应用范围时,一个十分重要研究内容就是神经网络的学习算法,而在算法的研究中尤其重要的是对前馈神经网络学习算法的研究,到目前为止都没有一种前馈网络学习方法能十分理想的解决所有的具体问题。本论文以BP神经网络为研究对象,就是因为它是目前在前馈神经网络中应用最广、最具代表性的神经网络,具有较高的研究价值和研究意义。本文通过对BP神经网络的深入研究,分析了BP网络本身存在的缺点及产生这些缺点的原因,将递阶遗传算法与BP神经网络相结合,BP网络的结构可以通过递阶遗传算法的分层结构得到优化,在保留各自优点的同时还是网络的结构及网络的权值得到了优化。这种基于递阶遗传算法的BP神经网络结构优化方法将递阶遗传算法的全局搜索能力和BP算法的局部搜索能力相结合,在发挥这两种算法各自优点的同时也克服了去本身的缺点。本文在提出这种一种基于递阶遗传算法的BP神经网络结构优化方法后,通过在MATLAB软件对Hermit多项式和非线性函数的逼近以及解决简单的模式分类问题。通过对实验结果的分析和比较验证了本文提出的新的BP网络算法在解决“网络最优结构”的问题上是可行、有效性的,同时与标准BP神经网络算法进行比较,分析了各自的优缺点。本文的主要以一下三个方面进行了研究:(1)简单介绍了人工神经网络的基本情况和基础理论知识。详细介绍了BP神经网络模型及BP算法的工作原理,分析了BP网络所存在的缺点及缺点产生的原因。并对遗传算法的工作原理及其基本操作步骤进行了详细的介绍,给出了在BP神经网络中遗传算法的应用方法。(2)通过对BP网络缺点的分析,本文将BP神经网络与递阶遗传算法相结合,提出了一种基于递阶遗传算法的BP网络结构优化方法,该方法可以解决BP神经网络的结构优化和易陷入局部极小值的问题。在本文提出基于递阶遗传算法的BP网络结构优化算法中,BP神经网络的结构和权值是通过递阶遗传算法的分层结构来优化的,并利用递阶遗传算法的全局搜索能力使BP网络免于陷入局部极小值。并对本文所提出的算法进行了,实验结果表明,该算法在优化BP网络结构的同时还能提高网络的收敛速度。(3)用MATLAB软件作为仿真平台,应用BP神经网络方法和本文提出的新方法——基于递阶遗传算法的BP网络结构优化方法,对Hermit多项式和非线性函数的逼近等问题进行了实验,通过对实验结果的分析和比较,证明了本文的新方法的有效性和合理性,同时也对该方法所出现的问题进行分析,以便为以后进一步提高算法性能做好准备。