基于遗传算法的BP神经网络优化算法.docVIP

案例3：基于遗传算法的BP神经网络优化算法 ***********************************************************************************论坛申明：1 案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB智能算法30个案例分析》2 案例内容为书籍原创内容，内容为案例的提纲和主要内容。3 作者长期驻扎在板块，对读者和会员问题有问必答。4 案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。MATLAB书籍预定方法和优惠服务：/thread-9258-1-1.html点击这里，预览该案例程序：/znsf/view/s3/GABPMain.html已经预定的朋友点此下载程序源代码：/thread-11921-1-1.html********************************************************************************** 1、案例背景 BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢； ②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。 本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。 2、案例目录： 第3章 基于遗传算法的BP神经网络优化算法 3.1 理论基础 ??3.1.1 BP神经网络概述 ??3.1.2 遗传算法概述 3.2 案例背景 ??3.2.1 问题描述 ??3.2.2 解决思路及步骤 ? ? 1. 算法流程 ? ? 2. 神经网络算法实现 ? ? 3. 遗传算法实现 3.3 MATLAB程序实现 ??3.3.1 神经网络算法 ??3.3.2 遗传算法主函数 ??3.3.3 比较使用遗传算法前后的差别 ??3.3.4 结果分析 3.4 延伸阅读 3.5 参考文献 3、主程序： clc clear all close all %% 加载神经网络的训练样本 测试样本每列一个样本 输入P 输出T %样本数据就是前面问题描述中列出的数据 load data % 初始隐层神经元个数 hiddennum=31; % 输入向量的最大值和最小值 threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; inputnum=size(P,1); % 输入层神经元个数 outputnum=size(T,1); % 输出层神经元个数 w1num=inputnum*hiddennum; % 输入层到隐层的权值个数 w2num=outputnum*hiddennum;% 隐层到输出层的权值个数 N=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数 %% 定义遗传算法参数 NIND=40; %个体数目 MAXGEN=50; %最大遗传代数 PRECI=10; %变量的二进制位数 GGAP=0.95; %代沟 px=0.7; %交叉概率 pm=0.01; %变异概率 trace=zeros(N+1,MAXGEN); %寻优结果的初始值 FieldD=[repmat(PRECI,1,N);repmat([-0.5;0.5],1,N);repmat([1;0;1;1],1,N)]; %区域描述器 Chrom=crtbp(NIND,PRECI*N); %初始种群 %% 优化 gen=0; %代计数器 X=bs2rv(Chrom,FieldD); %计算初始种群的十进制转换 ObjV=Objfun(X,P,T,hiddennum,P_test,T_test); %计算目标函数值 while genMAXGEN fprintf(%d\n,gen) FitnV=ranking(ObjV); %分配适应度值 SelCh=select(sus,Chr