翟龍飛 陳迎春 楊沖 賈波

【摘要】 BP神經(jīng)網(wǎng)絡(luò)良好的非線性擬合能力和精確的數(shù)據(jù)歸納能力，使其廣泛應(yīng)用于各個(gè)領(lǐng)域。但在訓(xùn)練過程中也暴露出網(wǎng)絡(luò)結(jié)構(gòu)不易確定和易陷于局部最小等不足。本文基于短波信號(hào)接收信噪比預(yù)測(cè)數(shù)據(jù)，利用遺傳算法分別從BP網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)兩個(gè)方面進(jìn)行算法改進(jìn)，最后通過仿真測(cè)試，比較出BP網(wǎng)絡(luò)和GA+BP網(wǎng)絡(luò)的優(yōu)缺點(diǎn)。

【關(guān)鍵詞】 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 信噪比預(yù)測(cè)

遺傳算法是一種能夠?qū)崿F(xiàn)全局搜索功能的人工智能算法，本文將針對(duì)BP網(wǎng)絡(luò)結(jié)構(gòu)和BP網(wǎng)絡(luò)參數(shù)兩方面不足，利用遺傳算法對(duì)其進(jìn)行改進(jìn)。

一、遺傳算法基本操作

遺傳算法在尋求最優(yōu)解時(shí)的具體操作如下：①基因編碼②產(chǎn)生種群③計(jì)算個(gè)體適應(yīng)度值④進(jìn)行選擇、交叉、變異等[1]。

二、基于遺傳算法的優(yōu)化分析

2.1網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

2.1.1 GA優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的具體步驟

2.1.2實(shí)例仿真

在matlab環(huán)境下對(duì)短波信號(hào)接收信噪比預(yù)測(cè)數(shù)據(jù)進(jìn)行操作，得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)ly：0 0 0 1 1 1 1 1 1 0，前兩位的0 0表示該網(wǎng)絡(luò)為單隱層，中間4位表示單隱層的神經(jīng)元個(gè)數(shù)為：0*2^0+1*2^1+1*2^2+1*2^3=14。所以本問題的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)為：?jiǎn)坞[層，隱層神經(jīng)元個(gè)數(shù)為14。

2.2網(wǎng)絡(luò)參數(shù)優(yōu)化

2.2.1 GA優(yōu)化網(wǎng)絡(luò)參數(shù)的具體步驟

①基于短波信號(hào)接收信噪比預(yù)測(cè)數(shù)據(jù)，選取訓(xùn)練輸入和輸出數(shù)據(jù)集。 ②根據(jù)輸入輸出數(shù)據(jù)確定輸入和輸出的神經(jīng)元個(gè)數(shù)，代入公式得到編碼長(zhǎng)度。③設(shè)定種群規(guī)模popu，并初始化種群。④計(jì)算各個(gè)個(gè)體的適應(yīng)值。⑤根據(jù)個(gè)體適應(yīng)度的大小，執(zhí)行選擇、交叉和變異等基因操作產(chǎn)生下一代種群。⑥返回④，直到達(dá)到目標(biāo)要求得到最優(yōu)解。

2.2.2實(shí)例仿真

三、BP網(wǎng)絡(luò)與GA+BP網(wǎng)絡(luò)性能分析比較

由上表數(shù)據(jù)不難發(fā)現(xiàn)，相較純BP網(wǎng)絡(luò)，基于遺傳算法的優(yōu)化后的GA+BP網(wǎng)絡(luò)，其性能參數(shù)MSE趨于更小，同時(shí)網(wǎng)絡(luò)訓(xùn)練更加穩(wěn)定。雖然訓(xùn)練過程中，遺傳操作會(huì)增加一定的耗時(shí)，但時(shí)間增加不多，綜合考慮，選取GA+BP網(wǎng)絡(luò)比BP網(wǎng)絡(luò)更適于系統(tǒng)穩(wěn)定誤差小的要求。

參 考 文 獻(xiàn)

[1] 牛向陽(yáng).基于遺傳算法的同步優(yōu)化算法[J].應(yīng)用數(shù)學(xué)與計(jì)算數(shù)學(xué)學(xué)報(bào)， 2007年（1期）