【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。