多层前馈神经网络拓扑结构的遗传优化研究

摘要

人工神经网络(ArtificialNeuralNetwork，简称ANN)已经广泛应用于模式识别、工业控制、经济预测、优化计算等领域，但是由于缺乏坚实的理论基础其拓扑结构设计规则和学习算法一直都是科研工作者研究的重要内容。 遗传算法是近年来发展起来的计算模型，从新的角度开辟了解决复杂问题优化的途径。它建立在严格的理论基础上，具有很强的自适应性、鲁棒性，尤其适合在高维、多峰、不可微(导数很难求)、连续或离散空间搜索优化解。 遗传算法和神经网络都是模拟生物智能化的学习能力，对两者结合的研究逐渐成为当前的热点之一。人们希望通过结合充分利用两者的长处，寻找出一种有效解决问题的方法，也借助这种结合使得人们更好的理解学习和进化的相互作用关系。在神经网络中结合应用遗传算法，能够克服神经网络利用梯度下降法所带来的缺点。 本文在介绍了有关神经网络和遗传算法的部分基础理论，分析了遗传算法在神经网络结构优化中的应用的基础上，通过改进遗传算法的适应度函数、遗传算子等方法，提出了一种伪并行遗传(PPGA-MBP)混合算法，并将其与改进的BP算法相结合对多层前馈神经网络的拓扑结构进行优化。实验证明取得了明显的优化效果，提高了神经网络的自适应能力和泛化能力，具有全局快速收敛的性能。 最后，我们将经过本文提出的伪并行遗传算法优化的神经网络应用于经济预测，并同线性回归方程预测结果进行了比较，得到较好的预测效果。

目录

文摘

英文文摘

原创性声明及关于学位论文使用授权的声明

1前言

2神经网络基本理论

3遗传算法理论及在神经网络结构优化中的应用

4基于PPGA-MBP算法的神经网络结构遗传优化

5测试试验与仿真

6遗传神经网络在经济预测中的应用

7结束语

参考文献

致谢

攻读学位期间发表的学术论文目录