基于GA-BP神经网络的矿石含量情况预测.doc

基于GA-BP神经网络的矿石含矿情况预测 1.研究现状 神经网络可以处理信息源不完整、模糊不清,无法确定、存在矛盾假象等复杂情况,具有自学习能力,能够将困难的知识获取工作转换为网络的变结构和自调节过程,极大方便了信息的记忆和提取。BP神经网络具有学习、记忆和自适应等能力,能够有效地处理非线性、不确定性或模糊关系。BP神经网络的学习过程是根据已学习的知识和训练获得的经验,对复杂问题作出科学的判断和决策,提供较合理的答案,或对未知发生的情况做出有效的预测和估计。BP神经网络适合于预测估计、市场分析、系统诊断、事故检查、模糊评判等方面的应用。 BP神经网络擅长局部有哪些信誉好的足球投注网站,但易陷于局部极小值点,而遗传算法擅长全局有哪些信誉好的足球投注网站,但局部有哪些信誉好的足球投注网站方面能力略显不足。所以,遗传算法与BP神经网络的结合,能够很好的实现优势互补。在预测、评价应用中常常把遗传算法与神经网络结合起来,利用各自的优点,弥补各自的不足,从而使预测效果更加科学、准确。 遗传算法不仅可以对BP神经网络的连接权值进行优化,而且可以对网络结构和学习规则进行优化,但目前对网络结构和学习规则的优化理论还不成熟,难以实现。所以本文主要研究遗传算法对BP神经网络权值和阈值的优化。 国内外学者将GA和BP神经网络相结合,建立预测、评价模型应用于环境质量评价,故障诊断,时间序列预测,风险评估等领域。借鉴国内外学者的研究成果,本文利用遗传算法对BP神经网络进行改进,并将其运用到矿石含矿情况预测当中。 2.基本原理 遗传算法优化BP神经网络权值与阈值的基本原理是:利用遗传算法中染色体的特性,对BP神经网络的权值和阈值进行编码,采用一定的方法生成初始群体,将BP神经网络的拟合误差代价函数作为遗传算法的适应度函数,通过遗传操作,对个体进行筛选,选择最佳染色体作为BP神经网络的权值和阈值。 2.1遗传算法优化BP神经网络权值和阈值的主要步骤 2.1.1、编码与初始种群的生产 对网络的连接权进行编码。二进制编码和浮点数编码是最常用的编码方式。其中,二进制编码操作简单,但不直观,精度也不高；浮点数编码非常直观,精度也较高。在此选用浮点数编码方法对连接权进行编码。即将BP神经网络的权值和阈值按一定的顺序级联起来,形成一个浮点数数组,作为遗传算法的一个染色体。 矿石含矿情况预测模型采用三层BP网络结构,设输入层、隐含层与输出层节点的个数分别为N,S和M,则编码的长度为 (1) 随机产生X个长度为R的染色体,即形成初始种群。 对于种群个数Y的确定,太大会导致网络收敛速度慢,太小会降低网络训练的精度。因此本文取Y值为20。 2.1.2、适应度函数的确定 将初始化种群中的R个连接权值赋予BP网络,进行输入信号的前向传播,计算网络的输出值与期望值之间的误差平方和E(i),设定适应度函数为: (2) 将遗传算法与BP网络的评估标准结合起来,误差绝对差值越小,适应度越高,即网络性能越好。 2.1.3、遗传操作 (1)选择 釆用基于轮盘赌方法进行选择,即按照概率进行选择，概率大的个体被选中的概率大，概率小的个体被选中的概率小。 (2)交叉 遗传算法中最重要的操作是交叉算子,新的个体由种群通过交叉产生,不断扩大有哪些信誉好的足球投注网站空间,最终达到全局有哪些信誉好的足球投注网站的目的。交叉是将被选中的两个个体的基因链按一定的概率进行交叉,生成两个新的个体。 由于本文采用浮点数编码,所以交叉算子采用的是浮点数型的算术交叉法。假定种群中和为父代个体,则由父代双亲产生的后代和为: (3) 交叉概率的值一般取0.1到0.99之间,本文取交叉概率为0.3。 (3)变异 为了维持种群的多样性,使用变异算子产生新个体。变异对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。 本文釆用非均匀变异,对原基因值做随机扰动,变异后的新基因值采用该扰动结果。以等概率对所有基因座进行一次少量的调整。变异概率的值取0.001到0.1之间。 （4）新种群的产生 用交叉和变异算子对原来的个体进行遗传操作后,产生新的个体,将新个体插入原种群中,生成新种群。计算新个体的适应度值,判断是否达到循环次数或优化标准,若是,则进入下一步,否则继续循环进行遗传操作。 （5）BP神经网络初始权值的产生 遗传算法达到所最大遗传代数或所设定的指标后,优化后的网络连接权值就是最终群体中的最优个体的解码值。 2.2 GA-BP神经网络的算法流程 GA-BP神经网络算法的具体步骤为: Stepl、根据待解决问题,确定BP神经网络的初始结构； Step2、对BP神经网络进行预训练一定次数,取得初始权值和阈值的取值范围; Step3、对初始权值和阈值进行浮点数编码。初始化种群规模、进化代数等参数; Step4、确定其适应度函