一种基于遗传算法的模糊神经网络优化方法技术

本发明专利技术公开了一种基于遗传算法的模糊神经网络优化方法，包括确定模糊神经网络模型的结构；提取出所要优化的参数，将其映射成二进制编码的基因串，随机产生N个基因串的初始种群并计算适应度函数；根据上述结果利用遗传算法定位出全局最优解的大体空间；将上一阶段定位的搜索空间作为模糊神经网络搜索的初始权值和阈值，利用其局部搜索能力在这个小的解空间中搜索出最优解。通过遗传算法的优化以及寻优阶段的分不使得模糊神经网络具备了较强的全局搜索和局部探索能力，提高了寻优的精度和收敛速度，提高了模糊神经神经网络的精度和稳定性。定性。定性。

【技术实现步骤摘要】
一种基于遗传算法的模糊神经网络优化方法


[0001]本专利技术涉及神经网络优化
，具体为一种基于遗传算法的模糊神经网络优化方法。

技术介绍

[0002]20世纪80年代以来，神经网络(NeuralNetwork,NN)进入了发展的快车道，新的科学理论的重大突破和高性能计算机的飞速发展使神经网络重焕生机。1982年加利福利亚理工学院的教授Hopfield提出了著名的Hopfield神经网络模型，从而有力地推动了神经网络的研究。大数据时代的到来，人们对数据处理的需求愈来愈大，则又进一步的推动了神经网络的技术与应用的飞速发展，因此，我们可以充分利用神经网络的特性，学习已有的先验知识，并拓展之，不断地对神经网络模型进行优化。而近些年研究人员也越来越重视对神经网络模型预算法和神经网络应用系统的研究。
[0003]在众多不同的神经网络模型中，模糊神经网络则有较强的人工自主学习能力和适应性脱颖而出，其通过将模糊规则和隶属度函数用神经学习的机制来确定，克服了传统神经网络的不稳定性和低效性，但却也存在鲁棒性低、精度低等缺点。而遗传算法是一种基于群体进化的随机化全局优化搜索算法，他的搜索始终遍及整个解空间而又不依赖于梯度信息，并且鲁棒性、容错能力强。因此提出通过遗传算法对模糊神经网络进行优化。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于遗传算法的模糊神经网络优化方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于遗传算法的模糊神经网络优化方法，包括以下步骤：
[0006]S1、确定模糊神经网络模型的结构；
[0007]S2、提取出所要优化的参数，将其映射成二进制编码的基因串，随机产生N个基因串的初始种群并计算适应度函数；
[0008]S3、根据上述计算结果利用遗传算法定位出全局最优解的大体空间；
[0009]S4、将上一阶段定位的搜索空间作为模糊神经网络搜索的初始权值和阈值，利用其局部搜索能力在这个小的解空间中搜索出最优解。
[0010]优选的，通过将人工神经网络和模糊系统相结合，对神经网络的权值和输入信号做模糊化处理，再通过一些模糊规则转化成某种映射，再将进行清晰化的处理，其结构如下：
[0011]第一层为输入层，该层节点的输入出关系为：
[0012]f1(i)＝X＝[X1,X2,X3…
X
i
],
[0013]i＝1,2,3
…
[0014]式中：X1,X2,X3…
X
n
表示输入参数
[0015]第二层为模糊化层，该层的各节点对应一个语言变量值，其作用是将输入确定量转换为模糊矢量，输入变量通过其所定义的模糊子集上的隶属度函数转化为相应的隶属度；选取高斯型函数作为隶属度函数，各个输入分量在不同的模糊语言值对应的隶属度为：
[0016][0017]i＝1,2,3
…
j＝1,2,3
…
[0018]式中：C
ij
，σ
ij
为第i个输入变量第j个模糊集合的隶属度函数的宽度和中心；
[0019]第三层为模糊规则层，该层每个节点代表一条模糊规则，通过与模糊化层的连接完成模糊规则的匹配，实现各节点之间模糊运算，每个节点的输出为其所有信号的乘积，即：
[0020][0021][0022]式中N
i
是第i个输入的模糊分割数；
[0023]第四层实现归一化计算，公式为：
[0024][0025]第五层为输出层，该层的作用是把输出的模糊量转化为清晰量，
[0026][0027]其中，w
r
为连接权重，f4(j)为规则适用度，r为1到m
i
之间的整数。
[0028]优选的，所述遗传算法实现过程：
[0029]步骤1：用随机的方式产生若干长度编码的种群；
[0030]步骤2：对每个基因个体做适应度评估；
[0031]步骤3：进行选择操作，选择适应度高的个体作为父本和母本，淘汰其它适应度低的个体；按照优胜劣汰的法则，在环境中适应度更高的的个体基因遗传给下一代的概率更大，适应度低的个体会被淘汰；采用轮盘赌的方式进行选择，∑F(x
i
)表示个体适应度的总和，F(x
i
)表示种群中第i个染色体的适应度公式为：
[0032][0033]步骤4：经过交叉、变异的操作，产生新一代的种群，直到满足条件；
[0034]步骤5：将后代中表现最好的个体作为最优解。
[0035]优选的，所述变异操作是将是个体染色体编码字符串中的一些基因替换为其他等位基因，形成一个全新的子代个体；此操作将保证种群的多样性，并从当种群中随机选取第i个个体上的第j个等位基因进行变异操作：
[0036]α
ij
＝α
ij
+(α
ij
‑
α
min
)γγ≤0.5
[0037]α
ij
＝α
ij
+(α
ij
‑
α
max
)γγ≤0.5
[0038]从上一代种群中随机选取2个个体α
j
和α
j
在j位进行交叉操作：
[0039]α
kj
＝α
kj
(1
‑
β)+α
kj
β
[0040]α
lj
＝α
lj
(1
‑
β)+α
lj
β
[0041]其中，β是介于(0，1)之间的随机数。
[0042]优选的，设神经网络中输入层节点个数为P，隐含层的阈值为θj，个数为R(j∈R)，输出层的阈值个数为J(k∈J)，输入层到隐含层的权值{wji；i∈P，j∈R}个数为M，隐含层到输出层的权值{wkj*；j∈R，k∈J}个数为L，其中P，R，J，M，L∈Z+(Z+为正整数集)，把每个权值和阈值用一定长的0/1二进制串对应表示，然后，将所有权值和阈值对应的0/1二进制串按顺序级联在一起，得到一个基因串
‑
染色体。
[0043]优选的，通过采用基于个体代龄的权值计算公式：
[0044]w
i
＝(Gage
ig
/∑Gage
ig
)
×
rand(0，1)
[0045]其中Gage
ig
为第g代中个体i的代龄，age0为新生个体的代龄，age1为生存竞争中幸存者的单位代龄增加量，rand(0，1)用于在交配竞争中引入一定的随机因素。
[0046]与现有技术相比，本专利技术的有益效果：本专利技术通过遗传算法的优化以及寻优阶段的分不使得模糊神经网络具备了较强的全局搜索和局部探索能力，提高了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的模糊神经网络优化方法，其特征在于，包括以下步骤：S1、确定模糊神经网络模型的结构；S2、提取出所要优化的参数，将其映射成二进制编码的基因串，随机产生N个基因串的初始种群并计算适应度函数；S3、根据计算结果利用遗传算法定位出全局最优解的大体空间；S4、将上一阶段定位的搜索空间作为模糊神经网络搜索的初始权值和阈值，利用其局部搜索能力在这个小的解空间中搜索出最优解。2.根据权利要求1所述的一种基于遗传算法的模糊神经网络优化方法，其特征在于：通过将人工神经网络和模糊系统相结合，对神经网络的权值和输入信号做模糊化处理，再通过一些模糊规则转化成某种映射，再将进行清晰化的处理，其结构如下：第一层为输入层，该层节点的输入出关系为：f1(i)＝X＝[X1,X2,X3…
X
i
],i＝1,2,3
…
式中：X1,X2,X3…
X
n
表示输入参数第二层为模糊化层，该层的各节点对应一个语言变量值，其作用是将输入确定量转换为模糊矢量，输入变量通过其所定义的模糊子集上的隶属度函数转化为相应的隶属度；选取高斯型函数作为隶属度函数，各个输入分量在不同的模糊语言值对应的隶属度为：i＝1,2,3
…
j＝1,2,3
…
式中：C
ij
，σ
ij
为第i个输入变量第j个模糊集合的隶属度函数的宽度和中心；第三层为模糊规则层，该层每个节点代表一条模糊规则，通过与模糊化层的连接完成模糊规则的匹配，实现各节点之间模糊运算，每个节点的输出为其所有信号的乘积，即：模糊规则的匹配，实现各节点之间模糊运算，每个节点的输出为其所有信号的乘积，即：式中N
i
是第i个输入的模糊分割数；第四层实现归一化计算，公式为：第五层为输出层，该层的作用是把输出的模糊量转化为清晰量，其中，w
r
为连接权重，f4(j)为规则适用度，r为1到m
i
之间的整数。3.根据权利要求1所述的一种基于遗传算法的模糊神经网络优化方法，其特征在于：所述遗传算法实现过程：
步骤1：用随机的方式产生若干长度编码的种群；步骤2：对每个基因个体做适应度评估；步骤3：进行选择操作，选择适应度高的个体作为父本和母本，淘汰其它适应度低的个体；按照优胜劣汰的法则，在环境中适应度更高的的个体基因遗传给下一代的概率更大，适应度低的个体会被淘汰；采用轮盘赌的方式进行选择，∑F(x
i

【专利技术属性】
技术研发人员：张俊杰，远野，丁成，王哲，何师程，李林，张诗涵，陈景瑞，陈天明，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：