遗传神经网络识别原理
4.3.1 遗传BP简介遗传识别是遗传算法+神经网络的一种新兴的寻优技术,适合于复杂的、叠加的非线性系统的辨识描述。神经网络算法是当前较为成熟的识别分类方法,但网络权值的训练一直存在着缺陷。
为此结合具体应用,在对遗传算法进行改进的基础上,本文采用了一种基于遗传学习权值的神经网络识别方法,并取得了较好的效果。
尽管常规遗传算法是稳健的,但针对一个具体问题遗传算法只有和其他方法(或称原有算法)有效地结合在一起,组成一个新的混合算法,才能在实际中得到广泛应用。
混合算法既要保持原有算法的长处,又要保持遗传算法的优点,因此常规遗传算法中的适应值函数、编码、遗传算子等必须做适当的修改以适应混合算法的要求。
4.3.1.1 适应值信息常规算法中,适应值常被表示为全局极小,用欧氏距离来实现。
例如,适应值常被表示为如下形式:储层特征研究与预测式中:)Yi为第i 个样本的实际输出,Yi为第i 个样本的期望输出,N 为学习样本数。
这种表示法的单点拟合能力较强,能够满足精度要求,但大多数情况下,还要考虑样本整体的一些性质,如方差、连续性等。适应值作为GA中的惟一使用信息,除了体现样本的差异性,还 应当兼顾样本间的相关性。
这样就在一定程度上克服了剧烈振荡、网络容错能力差等弱点。因此,我们将灰色系统的灰关联引入进来,在保证样本的遗传操作的同时,加强样本间横向上的联系,从而更有效地选择权值。
设 X0={X0(K),K=1,2,…,n}为母序列,Xi={Xi(K),K=1,2,…,n i=1,2,…,m}为子序列。
则关联系数为:储层特征研究与预测关联度为:储层特征研究与预测4.3.1.2 编码问题二进制位串编码是GA中常见的编码技术。但在实际编程中,采用浮点数直接表示更有利。
主要有以下原因:(1)避免了因网络权值范围不明确,难以进行编码的困难;(2)取消了编码、译码过程,提高了学习算法的速度;(3)十进制数字串的引入,在数字串长度不变的情况下,计算精度可以大为提高。
例如,用七位二进制数字串来表示(-10,10)之间的数值,则精度最高为:储层特征研究与预测用同样长度的十进制数字串来表示(-10,10)之间的数值,去掉符号位和小数点所占用的一位,余下的四位表示小数值,则精度最高可以达到0.0001。
4.3.1.3 修改杂交算子由于编码方式的改变,杂交算子可以设计为具有数值特点的向量的线性组合。
通常表示为如下形式:若有两个个体Sa、Sb杂交,则产生的个体为储层特征研究与预测其中u的