基于自适应遗传算法的神经网络字符识.pdfVIP

维普资讯 西 安 工 程 大 学 学 报 JournalofXi’anPolytechnicUniversity 第 22卷第 2期(总90期) 2008年 4月 Vo1．22，No．2(Sum．No．90) 文章编号：1671—850X(2008)02—0210—04 基于 自适应遗传算法的神经网络字符识别 王晓东 ，薛宏智 ，马盈仓 (1．西安工程大学 理学院，陕西 西安 710048；2．长安大学 理学院，陕西 西安 710064) 摘要：为 了增强传统 自适应遗传算法在进化初期的鲁棒性及避免早熟收敛，给 出了一种改进算 法，并利用这一算法来调整 BP模型的网络权值与阈值，最后将新算法应用于字符的识别．仿真 结果表明，新算法比BP算法具有更强的识别能力． 关键词：遗传算法；BP算法；字符识别 中图分类号：TP183 文献标识码 ：A 神经网络对于解决 目标识别和分类 问题具有较大 的潜力El-z3，其 中BP模型被广泛地应用于模式分 类、模式识别等方面．但 BP算法收敛速度慢，且很容易陷入局部极小点，而遗传算法具有并行搜索、效率 高、不存在局部收敛 问题等优点而被广泛应用 ]．不边但遗传算法 的寻优过程带有一定程度的随机性和 盲从性，多数情况下只能收敛到全局次优解 ，且有过早收敛的现象．为了克服遗传算法寻优过程的盲从性， 将有监督学习的BP算法与之结合已引起了人们的关注．在提出的有许多有效的算法[5-n3中，自适应地调 整交叉率和变异率已成为遗传算法中的一个研究热点．本文针对传统 自适应遗传算法在进化初期出现的 超常个体会使平均适应度缺乏稳健性及仍无法避免过早收敛问题的缺点，提出一种改进方法和新的评价 种群 “早熟”程度的指标 ，并利用这一指标来曲线调整交叉概率与变异概率的自适应遗传算法，最后将它与 BP算法相结合，以达到优势互补 、提高算法的稳定性和全局搜索能力的目的． 1 自适应遗传一BP算法 传统 自适应遗传算法(AGA)中的交叉率和变异率依线性进行 自适应调整，因而有效地提高了标准 遗传算法的收敛速度．然而，在进化初期，AGA常常会 出现超常个体，这些超常个体往往会使适应度过大 或过小，这样一来，平均适应度就会缺乏稳健性 ，这不利于增强算法鲁棒性．考虑到既要充分利用适应度信 息，又要具有较强的稳健性，本文提出一种新的选择适应度的方法——三均值适应度及新的评价 “早熟”程 度的指标． 设 t第代种群适应度 的次序统计量为F”， ，…， ，最优个体适应度为 F ，适应度大于平均适 应度Ff的个体的平均适应度为F ． 定义 1 设 0P 1，P分位适应度F 定义为 F 一 F 川州 ，Np Z； (1) F = (F；’+ 唧州)／2，Np ∈Z． (2) 当P取0．75时的适应度称上四分位适应度，当P取0．5时的适应度称 中位适应度 ，当P取0．25时的 收稿 日期 ：2007—10—05 基金项 目：陕西省教育厅专项科研计划项 目(07JK255)；西安工程大学校管科研资助项 目(2006XG37) 通讯作者：王晓东(1974一)，女，陕西省咸阳市人，西安工程大学讲师。E-mail：wangxiaodong1225@126。corn 维普资讯 第 2期 基于自适应遗传算法的神经网络字符识别 211 适应度称下四分位适应度． 定义2 三均值适应度． 三均值适应度 F府为 F砌 一 (1／4) + (1／2) + (1／4) 。． (3)