4）组合智能优化算法对BP神经网络的初始权重和阈值进行优化，采用遗传算法优化初始权重和阈值，快速找到理想的初始解，缩小神经网络搜索范围，避免陷入局部最小区域。 5）采取可变隐层节点的办法，进行纵向比
4）组合智能优化算法对BP神经网络的初始权重和阈值进行优化，采用遗传算法优化初始权重和阈值，快速找到理想的初始解，缩小神经网络搜索范围，避免陷入局部最小区域。
5）采取可变隐层节点的办法，进行纵向比较总误差E的均方差，选取最优隐层节点数。
6）采用不同训练函数，横向比较网络训练结果精度和速度，选取最优训练函数。
1.4 采用遗传算法寻找最优的BP评估网络初始权值和阈值
遗传算法不受其搜索空间限制性条件的约束,不需要导数等辅助信息，因此用遗传算法能简单、高效、自适应地寻找到最优的BP评估网络初始权值和阈值。
遗传算法优化BP评估网络的实现如下。
1)染色体表示。先将神经网络权阈值矩阵变形成一维矩阵，按单隐层围岩稳定性评估BP神经网络计算，其输入节点为n，输出为l，隐层节点为m，则形成遗传算法实数编码的染色体长度为n×m+m×l+m+l，前n×m为评估网络输入到隐层权值矩阵V，后续m×l为隐层到输出层的权值矩阵W，后续m为输入到隐层阈值向量b1，最后l为隐层到输出的阈值向量b2。
2）产生初始种群。典型BP学习算法初权阈值为均匀分布在（-1，1）之间的随机数，种群大小可根据评估围岩的参数多少确定。
3）适应度函数。本文设网络训练样本输入为矩阵P，输出T，根据输入到隐层的传递函数F1，以V和b1为变量，以P为系数计算隐层输出矩阵A1，根据隐层到输出传递函数F2，以W和b2为变量，以A1为系数计算输出结果A2。设SE为T和A2的均方差，则1/SE为适应函数值。
4）高斯变异算子。对于个体x=(x1, x2,…,xn)，加入一个小的扰动，作为个体的变异，设个体变异后变为x′=(x1′，x2′,…,xn′)。随机生成变异基因位r。转换如式（3）。
xi′=xi, i≠rxi′=xi+α,i=r （3）
其中α为（-1,1）范围内的随机数。
5)算术交叉算子。设选中的两父代个体为x1，x2，交叉后新生成个体为x1′,x2′，如式（4）。
x1′=αx1+(1－α)x2x2′=(1－α)x1+αx2 （4）
其中α为随机生成的数，满足0≤α≤1。
6)选择爬山操作。当每代交叉、变异完成后，找出群体中的最优个体，通过邻域搜索实施爬山操作，给最优个体一个小的扰动，判断新的个体是否更优，更优则替换原个体。反复替换，直到达到设定的操作次数为止。
按照以上的选择、交叉、变异遗传操作，以适应度函数值最大对应的变量为最优解，即评估网络的初始权值和阈值，达到优化权值和阈值的目的。
1.5 评估BP网络的函数选择
1）网络的传递函数选择。
本文隐层和输出层之间传递选择logsig函数，可将神经元的输入范围为整个实数集映射到区间（0，1）上。对训练样本映射处理后，使训练样本输入值在（-1，1），输入与隐层之间选择tansig函数。
2）网络的训练函数选择。
训练函数直接影响网络的训练速度，其中速度较快的为trainlm函数。在硬件条件允许的情况下，一般采用trainlm作为训练函数。
3）网络的学习函数选择。
根据网络改进要求，采用改进的梯度下降动量学习函数learngdm。
4）网络的性能函数选择。
性能函数是评价网络误差的函数，误差的大小反映网络性能。本文采用mse函数，计算网络误差的均方差值。
2 实例分析
2.1 数据的准备
某集团军指挥防护工程K.189至K.301段围岩自稳能力
数据50组，自稳能力级别评估结果和稳定性倾向为表2所示。“1”为“真”表示评估属于此级别，“0”为“假”表示评估结果不属于此级别。小数表示评估结果倾向方向和大小，取值在0～1。
(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
顶一下
(0)
0%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
