BP神经网络的工程应用及其基于遗传算法寻优过程.docVIP

BP神经网络的工程应用及其基于遗传算法寻优过程 摘要：BP神经网络对数据复杂的映射关系（比如非线性）具有良好的拟合性能，合适的网络结构可以无限逼近拟合函数。遗传算法是基于生物进化的思想，对解域进行遗传运算找到最优个体（最优解），及其对应的最优适应度值（最优值）。 关键字：BP神经网络，遗传算法，极值寻优 1. 引论 BP神经网络是工程应用最广的网络之一。工程应用领域有非线性函数拟合、模式识别等。BP网络可以看作“黑匣子”用于拟合输入输出间非线性关系，合理结构的BP网络能够无限逼近期望输出。拟合性能较好的BP网络可以应用遗传算法找到最优的网络输出及其对应输入值。 2. BP神经网络概述 BP网络是一种多层前馈神经网络，其主要特点是信号前向传递，误差反向传递。在前向传递中，输入信号从输入层经隐藏层逐层处理，直至输出层。每一层神经元状态值影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整权值和阀值，从而使BP神经网络输出不断接近期望输出。 BP网络预测首先要训练网络，通过训练使网络具有联想记忆和预测能力。训练步骤有： 步骤一：网络参数初始化。 步骤二：隐含层输出计算。 步骤三：输出层输出计算。 步骤四：误差计算。 步骤五：权值更新。 步骤六：阀值更新。 步骤七：迭代终止判断，若没有结束，返回步骤二。 3. 遗传算法概述 遗传算法（Genetic Algorithms）是1962年有美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。把自然界进化原理引入优化参数行程的编码串联群体中，按照所选择的适应度差的个体被淘汰，新的群体继承了上一代的信息，又优于上一代。这样反复循环，直至满足条件。算法基本操作流程如下图。 开始 开始 产生初始种群 判断停止条件 计算适应值函数 选择 遗传运算 更新种群 输出 停止 Y N 4. BP神经网络遗传算法寻优算法流程 算法流程图 5. Matlab编程实例 5.1 案例背景 工程中，为了找到最优的实验条件和实验结果，需要进行科学实验。由于试验成本和时间的限制，只能进行有限次数的实验。因此，充分利用有限的试验数据，并且找到最优的实验条件和实验结果成为很现实工程难题。应用BP网络拟合有限的输入输出数据，应用遗传算法找到最优的试验条件和试验结果。 5.2 案例数据 实验条件 实验数据 添加物/kg 温度/（℃） 添加物/kg 时间/s 产量/kg 0 0 1700 60 258 10 0 1700 60 272 30 0 1700 60 312 50 0 1700 60 363 0 5 1650 80 360 0 10 1700 40 493 0 15 1700 60 605 0 20 1750 60 400 10 10 1650 40 464 10 15 1700 60 627 10 20 1750 80 406 30 5 1750 40 390 30 10 1650 80 519 30 15 1700 60 662 50 5 1650 80 456 50 10 1750 60 523 50 15 1700 60 712 50 20 1700 400 555 5.3 BP网络结构和遗传算法参数 上表中有4个实验条件，对应1个实验结果。采用4-5-1和4-10-1的两种结构的BP网络进行比较分析。在已训练的网络基础上，采用遗传算法寻优。迭代次数100，种群规模是20，交叉概率是0.4，变异概率是0.2，采用浮点数编码，个体长度为4。 5.4 Matlab编程实现 程序结构 程序中包含数据、BP网络、遗传算法三大主程序。 Code( ),Select( ),Cross( ),Mutation( ),test( ),fun( )分别是主程序遗传算法需要调用的编码、个体选择、交叉、变异、个体测试和计算适应度函数。data和 data1分别存放原始数据和网络参数。 （1）BP神经网络构建和训练，并输出网络误差百分比 4-5-1BP网络的误差百分比 4-10-1BP网络误差百分比 （2）遗传算法寻优结果 适应度曲线（4-5-1BP网络） 4-5-1网络的最优适应度值及对应最优解 4-10-1BP网络适应度曲线 4-10-1网络的最优适应度值及对应最优解 6. 实例结果分析 根据计算结果， 最优实验条件 最优实验结果 4-5-1BP网络 [ 35.9 17.5 1701.4 50.4 ] 713.1 4-10-1BP网络 [ 44.9 15 1726.2 65.7 ] 766.2 原始数据 [ 50 15 1700 60 ] 712 上表说明BP网络的隐含层数增加，一定程度