基于遗传算法的BP神经网络的应用.doc

19基于遗传算法的BP神经网络的应用----非线性函数拟合摘要人工神经网络在诸多领域得到应用如信息工程、自动控制、电子技术、目标识别、数学建模、图像处理等领域并且随着神经网络算啊发的不断改进以及其他新算法的结合使其应用的领域越来越广。BP神经网络是目前神经网络领域研究最多应用最广的网络但BP神经网络学习算法易陷入局部极小的缺陷本文采用遗传算法来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值然后将这些优化值赋给网络得到优化的BP神经网络最后用MATLAB仿真平台对非线性函数的逼近拟合和极值寻优问题进行实验。数值仿真结果表明：经遗传算法优化的BP神经网络能有效地避免原始BP神经网络容易出现的局部极小的缺陷且具有收敛速度快和精度高等优点。关键词：BP神经网络遗传算法MATLAB结构优化Abstract—Inrecentyearsartificialneuralnetworkgraduallyattentionhasbeenpaidintothehotareaofresearchinmanyfieldshavebeeninvolvedinelectronicapplicationssuchasotherfieldshaveawiderangeofapplicationsandalsocontinuedtoexpanditsapplications.ToalleviatetheshortcomingofeasilysinkingintothelocalminimumexistingintheBPneuralnetworkthepaperexploitsthegeneticalgorithmtooptimizetheBPneuralnetwork.FirstofallthegeneticalgorithmisutilizedtooptimizetheweightvaluesaswellasthethresholdvaluesoftheBPneuralnetwork.SubsequentlybyusingtheoptimizedweightvaluesandthresholdvaluesweareabletogettheimprovedBPneuralnetwork.FurthermoreweemploythesimulationdatatomeasuretheperformanceoftheimprovedBPneuralnetwork.ThenumericalresultsindicatethattheoptimizedBPneuralnetworkcaneffectivelyovercomethelocalminimumoftheoriginalBPneuralnetworkandoutperformtheoriginalBPneuralnetworkintheaspectsofconvergencespeedandcomputationaccuracy.Keywords—BPneuralnetworkgeneticalgorithmoptimization1.引言前馈神经网络（BP模型）其非线性逼近能力是它博得青睐的主要原因而BP算法作为前馈网络的主要学习算法则无可争议的对其推广应用起了举足轻重的促进作用。BP算法因其简单、易行、计算量小、并行性强等优点是目前神经网络训练采用最多也是最为成熟的训练算法之一。然而由于BP算法是一种梯度下降搜索方法因而不可避免地存在固有的不足如易陷入误差函数的局部极值点而且对于较大搜索空间、多峰值和不可微函数也不能有效搜索到全局极小点而遗传算法则是克服这一不足的有效解决方法主要是因为遗传算法是一种全局优化搜索算法[3]因而能够避开局部极小点而且在进化过程中也无需提供所要解决问题的梯度信息。2.BP神经网络2.1BP神经网络的特点在20世纪80年代Rumelhart等人首次提出了BP神经网络算法BP神经网络的本值就是反向传播神经网络(BackPropagationNeuralNetwork)。BP神经网络与其他网络相比具有其独特的特点：分布式存储方式大规模并行处理自学习和自适应能力容错性及鲁棒性好[2]。2.2BP神经网络模型B