基于遗传算法的BP神经网络优化算法理论基础

基于遗传算法的BP神经网络优化算法理论基础

基于遗传算法的BP神经网络优化算法理论基础

• BP神经网络概述
  • 是一类多层的前馈神经网络
  • 80%~90%的神经网络模型都是采用了BP网络或是它的变形
  • 缺点：学习收敛速度太慢、不能保证收敛到全局的最小点、网络结构不宜确定。
  • 网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。
• 遗传算法的基本要素
  • 染色体编码方法
    • 二进制法：把个体编码成为一个二进制串
    • 实数法：把个体编码成为一个实数
  • 适应度函数：根据进化目标编写的计算个体适应度的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择。
  • 遗传操作
    • 选择操作
    • 交叉操作
    • 变异操作
  • 运行参数：遗传算法在初始化时确定的参数
    • 群体大小M
    • 遗传代数G
    • 交叉概率Pc
    • 变异概率Pm