论文部分内容阅读
人工神经网络是根据神经元之间信息的传递和处理模式形成的一种智能数值映射运算模型,通过神经元之间的连接权值和阈值建立输入值与输出值之间关系。由于其对输入与输出值的维数没有限制,且具有广泛的数据模型建立性能,被广泛的运用在数值拟合和预测中。BP网络作为人工神经网络的一种,通过采用输出值误差函数的梯度下降法搜索权值和阈值的最优值。虽然BP网络有较强的泛性和数值映射能力,但也存在诸多的不足之处,主要表现在网络结构的不确定性,对于实际问题难以确定该问题下最优网络的隐含层节点数和隐含层数,这会直接影响到网络的输出精度;同时BP网络的训练过程采用梯度下降,若步长过大,网络训练震荡,不能收敛;采用较小的学习速率,网络容易陷入误差函数的极小值,无法得到网络的最优权值和阈值。针对这一问题本文采用改进遗传算法优化BP网络。遗传算法是模拟生物进化的过程而形成的一种智能搜索算法,通过遗传算子实现问题的适应值最优方向搜索,是一种较强的全局优化搜索算法。简单的GA算法是对种群中个体的适应值评价,通过遗传算子改变种群的进化方向,经过一定的进化代数,取个体适应值最大的个体作为问题的最优解。遗传算子中杂交率和变异率直接关系到个体的去留,决定了产生新种群的能力和方向。一般情况下,GA算法的Pc和Pm值只能通过同类问题的试算得到,或采用经验的Pc、Pm值。本文从生物进化论的角度出发,建立遗传算法自适应调节。种群适应值越集中,产生新个体的概率应越大,个体适应值越发散,种群产生新个体的概率应变小,如此才有利于问题的全局寻优。退火算法是模拟金属液体结晶的过程,通过循序降温得到问题的最小能量值。将SA算法中Metropolis接受准则运用到遗传算法中,以一定的概率接受适应值较差的个体,这样就能保证种群个体的多样性,抑制GA算法的过早收敛,同时随着温度的降低,接受较差个体的概率也变低,最终收敛于最优个体。算法前期种群个体适应值较发散,有利于全局搜索,后期个体适应值集中,加快局部搜索。经过这一改进更利于GA算法的全局和局部搜索功能。通过对网络权值和阈值的编码,将BP网络数值域问题转换到GA算法模式域问题下,通过遗传算法搜索BP网络输出误差的全局最优值,改变BP网络单纯的梯度下降搜索,可以避免BP网络的误差搜索陷入局部化。本文将这一理论运用到GPS高程拟合中,选用GPS点位的三维坐标作为高程异常的直接影响因子,通过BP网络建立GPS高程转换的数学模型。通过网络权值和阈值实数编码建立BP网络与GA算法的联系。将遗传算法与梯度下降法相结合,搜索BP网络输出误差最小值时网络的权值和阈值。保存BP网络训练的最佳权值和阈值,改变输入数据得到相应的预测值。