| 【中文题名】 | 基于遗传算法改进的BP神经网络在矿产品预测领域的应用 |
| 【英文题名】 | The Improvement of BP Algorithm Based on GA in the Mineral Prediction |
| 【学科专业】 | 应用数学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-6-22 |
| 【中关键词】 | BP算法,遗传算法,网络训练,优化设计,预测,Visual |
| 【英关键词】 | back propagation algorithms,genetic algorithms,network training,optimization,predict,Visual Studio.Net, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 近年来用遗传算法解决神经网络的优化设计问题受到广泛重视,尤其在预测领域的应用。本文将就这一课题进行进一步地研究和探索,充分利用遗传算法的全局搜索特性,达到对前馈神经网络最优化设计的目的,从而最终预测结果。
为此,本文选择适用性强的三层前馈神经网络作为优化设计对象,提出了一种具有综合控制策略的遗传算法,同时考虑编码方案、适应度函数设计、初始群体的设定和遗传操作等各环节对遗传算法收敛性能的影响,形成更高效的神经网络训练算法。
1. 选择实数编码方式,缩短个体编码的长度,将网络结构及权值同时进行编码;
2. 设计能正确表现神经网络性能的适应度函数:以样本的逼近精度为主体,同时考虑网络结构对神经网络泛化性能的影响;
3. 保证初始种群的多样性及均匀分布性:一部分个体的权值用零均值的正态随机向量表示,另一部分个体用权值选择范围内的随机向量表示;
4. 设计并改进了适用于实数编码遗传算法的进化算子,避免早熟收敛现象的发生。
将以上算法思想在Visual Studio.Net环境中实现,并用一个非线性函数逼近的例子来验证用本文算法优化设计前馈神经网络的高效性,通过改进前后的BP算法对比,得出以下结论... |
| 【论文题纲】 |
|
1 绪论 |
8-13 |
|
1.1 人工神经网络概述 |
8-10 |
|
1.1.1 人工神经网络的研究史 |
8-9 |
|
1.1.2 人工神经网络的基本结构与模型 |
9-10 |
|
1.2 预测研究现状 |
10-11 |
|
1.3 本次研究的目的和意义 |
11-13 |
|
2 多层前馈网络的学习算法 |
13-24 |
|
2.1 BP 算法的数学描述 |
13-20 |
|
2.1.1 BP 算法原理 |
13-17 |
|
2.1.2 BP 网络的学习规则与计算方法 |
17-20 |
|
2.2 BP 算法在矿产品消费量预测方面的缺陷及改进 |
20-21 |
|
2.2.1 BP 算法在矿产品消费量预测方面的缺陷 |
20-21 |
|
2.2.2 BP 算法在矿产品消费量预测方面的改进措施 |
21 |
|
2.3 BP 算法在矿产品消费量预测方面的推广 |
21-24 |
|
3 遗传算法改进的优化BP 神经网络 |
24-37 |
|
3.1 遗传算法 |
24-26 |
|
3.1.1 遗传算法概述 |
24 |
|
3.1.2 遗传算法步骤 |
24-26 |
|
3.2 改进BP 神经网络的执行策略 |
26-35 |
|
3.2.1 编码方案 |
26-27 |
|
3.2.2 群体设定与初始化 |
27-28 |
|
3.2.3 适应度函数的选择 |
28-30 |
|
3.2.4 遗传操作 |
30-34 |
|
3.2.5 自适应代沟的替代策略 |
34-35 |
|
3.3 算法流程 |
35-37 |
|
4 遗传算法改进BP 神经网络的实现 |
37-52 |
|
4.1 总体思路 |
37 |
|
4.2 影响因素提取 |
37-38 |
|
4.3 算法实现 |
38-48 |
|
4.3.1 主要类设计 |
38-39 |
|
4.3.2 初始化函数实现 |
39-41 |
|
4.3.3 适应度函数实现 |
41-42 |
|
4.3.4 遗传算法函数实现 |
42-46 |
|
4.3.5 BP 算法函数实现 |
46-48 |
|
4.4 预测结果 |
48-52 |
|
5 总结 |
52-53 |
|
致谢 |
53-54 |
|
主要参考文献 |
54-55 |
|
个人简历 |
55 |
|
| 【DOI】 | LunWen.ID:2.2008.387721 |
