bp伸进网络预测值和试验值如何比较_基于遗传算法优化的BP神经网络的回归分析——算法参数的确定...

一个算法的运算时间以及性能的好坏在一定程度上也取决于其参数的设置，其参数确定的过程，其实也是一种优化。我们知道，每一种算法的参数取值范围不同，但同时各参数间又互相联系，有些算法的参数凭借使用者的经验进行设定，这样算法的性能未必最佳，为此本文将对算法进行试验确定。前一节进行了遗传算法优化的BP神经网络的训练函数的选取，为本节中对遗传算法部分参数的选取提供了一个理论性的指导。本节在此基础上，由实验来选取其关于遗传算法部分参数。 由遗传算法的简介中可知，遗传算法的主要参数是种群规模，交叉和变异概率，根据查阅的相关文献可知，其种群规模一般的取值范围是[10, 100]，交叉概率一般的取值范围是[0.4, 0.99]，变异概率一般的取值范围是[0.001, 0.1]。下面测试分别固定其中两个参数不变，测试第三个参数，其实验环境、实验数据以及测试函数同上一节。

（1）参数设定：BP神经网络的最大训练次数设为300次，其余参数设定同上一节。

（2）实验仿真与结果分析：

表2遗传算法优化的 BP 算法中不同种群规模对 Sphere 函数预测结果对比

注：交叉概率为0.8，变异概率为0.09。