BP算法的改进及在模式识别中的应用.pdfVIP

( ) ( ) 合肥学院学报 　 自然科学版 Journal of H efei U n iversity N atural Science s 　2007年 8月 　第 17卷 第 3期 　　　　　　　　　　　　　　　　　　　　　　　　　　　　A ug. 2007 Vol. 17 No. 3　 BP算法的改进及在模式识别中的应用 商 　杰 ,刘 　明 (安徽工贸职业技术学院 计算机系 ,安徽 淮南 　23200 1) 摘 　要 :主要分析了 B P算法的特点以及在模式识别应用中存在的一些缺陷 ,研究了遗传算法和 B P算法相结合 的相关技术 ,设计并实现了一个遗传算法和 B P算法相结合的 B P - GA 算法 ,并用一个经典实例说明该算法在模 式识别中的应用. 实验结果表明 ,基于 B P - GA 的模式识别系统有较好的泛化能力 ,较好地克服了网络单纯利用 B P算法训练网络陷入局部极小值 ,导致网络训练失败的缺陷. 关键词 :神经网络 ;遗传算法 ;模式识别 中图分类号 : TP391. 4 文献标识码 : A 文章编号 : 1673 - 162X (2007) 03 - 00 15 - 04 大量的仿真实验和理论研究已经证明 , B P算法是一种有效的神经网络学习算法 ,它具有很强的处理 非线性问题的能力 ,近年来它已经广泛地应用到模式识别中[ 1 ] . 但在实际应用中 , B P神经网络也暴露出一 些自身的弱点 ,如收敛速度慢 ,极易陷入局部极值点 ,泛化能力低等 ;另外神经网络的初始连接权选择缺乏 依据 ,具有很大的随机性 ,很难选取具有全局性的初始点 ,因而求得全局最优的可能性较小 ,这样限制它在 实际模式识别中的应用. 遗传算法是模拟达尔文的遗传选择和 自然淘汰的生物进化过程的全局性概率搜 索算法. 它具有 自适应性 、全局优化性和隐含并行性 ,体现出很强的解决问题的能力 [ 2 , 3 ] . 充分发挥它们的 长处 ,将两者结合是 目前一个十分活跃的研究领域 ,本文设计并实现了一个基于遗传算法的神经网络算法 B P - GA , 并用一个实例说明该算法在模式识别中的应用优越性. 1　遗传算法优化 BP神经网络的方法 1. 1　神经网络的基本原理和方法 [ 4 ] ( ( ) ( ) ) m n B P神经网络是由输入层 、隐层和输出层组成. 对于 N 个样本集合 { x t , y t | x ∈R , y ∈R , t = 1, 2, …, N } 的离散时间序列, B P 网络可以完成从输入到输出的高度非线性映射, 即可以找到某种映射, 使 m n Φ Φ 得 F : R → R , 把全体样本分为 1 训练样本和检测样本 2 : Φ ( ( ) ( ) ) m n ( ) 1 = { x t , y t | x ∈R , y ∈R , t = 1, 2, …, N 1 , N 1 ≤N } ; 1 Φ ( ( ) ( ) ) m n ( ) 2 = { x t , y t | x ∈R , y