论文部分内容阅读
本文在总结了遗传算法多年来的发展的基础上,结合大系统递阶优化技术的思想,提出了一种新的编码机制——递阶结构染色体设计。简单地说,递阶编码是一种多层次结构的编码,上层编码一般被定义为控制基因,最下层基因为参数基因。这样的编码结构相对于一维的编码而言能够更为完整地表达出问题的解空间,能够更好地解决BP网络的训练、TSP问题求解和作业调度问题等等。针对目前BP网络训练方法的问题:只能在网络结构固定的情况下对权值进行训练。本文将BP网络的结构和权值作为一个整体进行编码,采用三层递阶结构:第一层表示网络的隐层个数,第二层表示每个有效隐层含有的神经元个数,第三层存储了各个有效神经元的权值和阈值信息。这样的染色体将网络的权值和结构作为一个整体进行表达,从而同时进行训练。此外本文结合网络复杂度的定义提出了一种新的适值函数。实验对比研究表明了递阶编码技术在BP网络训练上的具有较好的效果。盲分离问题具有广阔的应用前景,因此得到了学术界的高度重视,并逐渐成为新的研究热点。目前的盲信号分离算法,虽然不需要源信号的任何先验知识,但是需要在分离前已知源信号的个数,这个条件在很多情况下是很难实现的。比如说对语音信号的分离,对经济、金融时间序列数据的处理等等。使用上述递阶染色体设计的思想,利用遗传算法的自适应性,根据信号的高阶统计特征,自动地识别出估计信号的最优分离。实验研究表明了该方法的有效性。