改进BP神经网络在模式识别中的应用及研究

摘要

人工神经网络具有强大的非线性映射能力，已经被应用于模式识别、智能控制、图像处理以及时间序列分析等各种领域，它特有的自组织、自学习和高容错性等功能使得其在解决复杂的非线性问题时有独特的功效，成为国内外广泛关注的热点。
　　 本文首先详细介绍了应用神经网络进行模式识别的发展概况，通过与传统模式识别的比较，得出神经网络模式识别的优越性。针对已有的神经网络模式识别系统，本文介绍了该系统中使用最广泛的BP神经网络，通过对其关键技术及算法的研究，针对BP算法的不足，提出了BP算法的启发式改进，同时，通过对遗传神经网络模型及其算法进行分析和研究，针对遗传算法的主要缺陷介绍了几种常用的改进类型。
　　 本文结合遗传算法对BP算法进行优化，建立了改进的GA-BP神经网络模型。最后，充分利用VC++和MATLAB两种语言的各自优势，进行混合编程，设计开发了基于GA-BP算法的遗传BP神经网络模式识别系统，并投入实际应用。并利用该模型对两个实际的模式识别问题进行了模式分类训练和测试，结果表明GA-BP算法有效克服了网络训练时容易陷入局部极小值，导致网络训练失败的缺陷，提高了系统的泛化能力。

目录

文摘

英文文摘

声明

1绪论

1.1人工神经网络模式识别概述

1.1.1神经网络模式识别的发展与现状

1.1 2神经网络模式识别方法与传统模式识别方法的关系

1.1.3神经网络模式识别的特点

1.2本文研究的内容、目的与组织结构

2人工神经网络理论基础

2.1生物学启示

2 2神经元模型

2.2.1传统神经元模型

2.2.2功能函数

2.2.3多输入神经元模型

2.3神经网络结构

2.4用于模式识别的神经网络模型

2.4.1神经网络模型

2.4.2神经网络的学习方式

2.5神经网络模式识别系统

2.5.1神经网络模式识别系统概述

2.5.2神经网络模式识别的典型方法

2.6本章小结

3 BP神经网络

3.1多层前馈网络的应用描述

3.2多层前馈网络模型与BP算法

3.2.1多层前馈网络模型的数学描述

3.2.2 BP算法

3.2.3 BP多层前馈网络的主要能力

3.3 BP算法的改进

3.3.1动量方法

3.3.2可变的学习速率

3.3.3 LM算法

3.4本章小结

4用于模式识别的遗传神经网络模型

4.1 BP神经网络存在的问题

4.2遗传算法

4.3遗传算法的特点

4.4遗传算法的缺陷

4.4.1早熟问题

4.4.2局部搜索能力差

4.4.3控制参数难以确定

4.5遗传算法的改进

4.6本章小结

5改进的遗传神经网络模型

5.1 BP算法与遗传算法的结合

5.1.1 GA-BP神经网络的优化策略

5.1.2 NFL定理的启示

5.2 GA-BP神经网络的模型

5.2.1编码设计

5.2.2适应度函数的确定

5.2.3种群的初始化

5.2.4遗传算子的设计

5.2.5基于数值优化技术的LM算法

5.2.6 GA-BP神经网络运行流程

5.3本章小结

6 GA-BP的模式识别系统

6.1神经网络开发环境介绍

6.2系统概述

6.3系统实现过程中接口问题的研究

6.3.1应用程序对数据库的连接及访问

6.3.2在Visual C++中调用MATLAB实现图形显示

6.4基于遗传算法及神经网络的模式识别系统

6.4.1建立模式识别模型及其主要界面

6.4.2网络训练实现及其主要界面

6.5应用实例

6.5.1故障预测问题

6.5.2岩石矿物识别问题

6.6本章小结

7结论

致谢

参考文献