智能优化算法优化BP神经网络的函数逼近能力研究
2015-04-30陈骏傅成华郭辉
软件导刊 2015年4期
陈骏 傅成华 郭辉



摘要摘要:在工程应用中经常遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法精确建模。BP神经网络可以描述这些非线性系统的输入输出映射关系,但其自身也存在较明显的缺陷。应用遗传算法和粒子群算法对BP神经网络进行优化,可弥补BP神经网络寻优时的缺陷。通过实例比较分析,两种优化算法有效提高了拟合精度。
关键词关键词:BP神经网络;遗传算法;粒子群优化算法;函数逼近
DOIDOI:10.11907/rjdk.1431078
中图分类号:TP312
文献标识码:A文章编号文章编号:16727800(2015)004007003
0引言
很多过程很难直观地给出数学模型,影响了对其进一步的认识和操作。人工神经网络具有很强的映射能力,可以自适应地对输入数据产生聚类,通过训练和学习可以对输入空间产生非线性映射[12]。应用神经网络实现对未知函数的逼近,可以建立系统模型。函数的拟合方法很多,应用神经网络进行函数逼近的意义不仅仅在纯数学领域,在工程和物理学领域也非常有用,如实验数据拟合、图像处理、信号预测等。
1遗传算法优化BP神经网络模型
1.1遗传算法原理
1975年,Holland教授[3]首次提出了一种借鉴生物界自然遗传和自然选择的随机化搜索算法——遗传算法。该算法是一种利用自然选择和进化思想在高维空间中寻优的方法,它不一定能寻得最优点,但是可以找到更优点。选择、交叉、变异是其具有强大信息处理能力的3个基本算子。
(1)选择算子。选择算子又称为繁殖算子,它从种群中选择出适应度高的个体,适应度越高被选择的可能性就越大。……
登录APP查看全文
