基于改进遗传算法的BP神经网络自适应优化设计概要

是待求解问题的最 大适应度值.对于很多问题,f max

是难以确定的.这里只

要给一个粗略的上限即可,也可以使用当前群体中的最 大适应度值作为f max

.引入变异温度的概念以后,可以采

用这样的变异方法.在个体v中随机地选择一个个体 v k,对变异后的个体v k’服从N(v k,δ2(T正态分布. 7生成新一代群体.

8反复进行5~7,每进行一次,群体就进化一代, 连续进化到K代(总的进化代数.

9把第K代选适应度最高的个体解码得到相应 的网络连接权和隐节点个数,输入检测样本检验模型 的泛化能力.

3 番茄常见病害诊断应用实例及其结果分析 在本例中,选取7个病害特征参数的数据(经过必 要的编码来作为所要构建的神经网络的输入,网络的

输出将作为诊断所得到的病害.7个作为网络输入的参 数是:X 1

为发病部位;X2为病斑颜色;X 3

为病斑形状;

X4为霉层颜色;X5为霉层形状;X6为生长特征;X7为其 它特征.4个网络输出Y 1 、Y 2 、Y 3 、Y 4

为二值输出,其输出

的16种输出状态分别代表16种番茄常见病害(番茄茎 基腐病、番茄白绢病、番茄斑枯病等.在建立基于遗传 算法B P神经网络模型时,首先采用三层B P神经网络

估计网络连接权的基本解空间,输入训练样本(表1和 检测样本(表2,按照步骤1求得u m in

=10.7012,u max=

14.9523,θm in=-9.595θmax=10.7953则连接权的解空 间初步设为[-12,16]阀值的解空间初步设定为[-

11,

13],隐节点个数搜索范围为3~16,遗传算法进化过程 中初始种群L=30,总的进化代数K=100,交叉概率 p c=0.85,淘汰率r d=0.15,当前群体中的最大适应度

f max=10,变异概率p m=0.006.得到遗传算法误差平方 和曲线、适应度曲线如图1.

图1 其遗传算法误差平方和曲线、适应度曲线 39

第30卷第4期 柴 毅,等: 经网络自适应优化设计

49重庆大学学报(自然科学版 年

表1 训练样本

No.I nput Expect out put x1x2x3x4x5x6x7y1y2y3y4 10.00000.85710.00040.00000.00000.28570.17780000 20.00000.28570.02440.12500.50001.00000.71110001 30.41290.85710.0130.00000.00000.14290.21110010 40.00000.28570.01260.00000.00000.42860.03330011 50.58570.85710.00650.12500.00390.85710.75560100 60.57140.85710.01830.12501.00000.85710.18890101 70.28571.00000.19510.00000.00000.00000.26670110 80.85710.28570.4040.00000.00000.14290.00000111 90.14290.28570.02440.00000.00000.14290.32221000 100.28570.30360.02550.00000.00000.00000.54441001 110.57140.00000.00000.00000.00000.28570.42221010 120.28570.28570.19550.00000.00000.00000.85561011 130.71430.00000.00000.00000.00000.00000.86671100 140.28570.00000.00000.00000.00000.57140.87781101

基于改进遗传算法的BP神 2007