基于改进遗传算法的自适应卷积神经网络

摘要

传统卷积神经网络模型的构建具有过度依赖经验知识、不可预知性、训练难度大等缺点,导致对网络结构和参数的设置需要耗费大量的时间进行调优测试。针对上述问题,提出基于改进遗传算法的自适应卷积神经网络算法。改进遗传算法通过对卷积神经网络进行编码处理,将分类误差和结构复杂度作为适应度函数,针对选择、交叉和变异策略进行改进,在保证遗传算法种群多样性的同时提高收敛速度,避免算法陷入局部最优解。利用改进遗传算法全局寻优的特性,对神经网络体系结构和重要参数进行优化,实现卷积神经网络的自适应构建,以提高神经网络分类准确率。在MNIST、Fashion-MNIST和CIFAR-10数据集上的实验表明,该算法优化后的卷积神经网络在分类精度、参数设置等方面均取得了良好的效果,与其他神经网络相比,改进的遗传算法具有成功优化卷积神经网络的潜力,对不同分类任务的研究具有重要意义。