基于样本划分与均匀遗传操作的遗传神经网络

摘要

针对神经网络存在的局部最优、泛化性能差等问题,基于时间序列样本间的依赖性,提出将样本进行划分,分别用于遗传神经网络的粗选和精选阶段,采用滑动窗动态监测遗传优化过程中训练误差与验证误差的变化情况,以加权误差最小原则确定最佳网络结构,提高了泛化能力。设计高效的均匀遗传算子,保持种群的多样性以避免陷入早熟。对比测试结果表明,该方法可以有效提高神经网络的收敛速度与泛化性能。