神經(jīng)網(wǎng)絡(luò)遺傳算法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)遺傳算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

關(guān)鍵詞:諧波分析 神經(jīng)網(wǎng)絡(luò) 遺傳算法 MATLAB

中圖分類號(hào):TM1文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1007-3973(2010)06-083-02

隨著現(xiàn)代工業(yè)科技的發(fā)展,電力電子裝置的應(yīng)用越來(lái)越廣泛,非線性和時(shí)變性電子裝置大量投入到電網(wǎng)使得電力系統(tǒng)中的非線性負(fù)荷急劇增加,導(dǎo)致了配電網(wǎng)中電壓和電流波形的嚴(yán)重失真,由此而產(chǎn)生了電網(wǎng)諧波污染問(wèn)題,諧波的產(chǎn)生降低了電能質(zhì)量,直接影響工業(yè)用電設(shè)備和居民用電設(shè)備的正常安全運(yùn)行。另一方面隨著科技的發(fā)展,各種精密儀器的投入使用對(duì)電能質(zhì)量提出了更高的要求。諧波問(wèn)題作為降低電能質(zhì)量問(wèn)題的核心內(nèi)容對(duì)電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行帶來(lái)了巨大的挑戰(zhàn) 。

對(duì)諧波含量準(zhǔn)確進(jìn)行分析計(jì)算時(shí)保證諧波治理效果的重要前提,本文采用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行諧波含量計(jì)算,其實(shí)時(shí)性和結(jié)果精確性都有較大提高。

1諧波含量計(jì)算問(wèn)題

原始理想的電壓和電流波形應(yīng)該是標(biāo)準(zhǔn)的正弦波波形, 可以假設(shè)電源瞬時(shí)電壓為

考慮到負(fù)載電流發(fā)生畸變,含有諧波分量,根據(jù)傅里葉級(jí)數(shù)將負(fù)載電流分解為:

其中,為基波有功電流;為基波無(wú)功電流;為高次諧波電流,可以將式(2)改寫(xiě)成權(quán)值模式:

對(duì)諧波含量的分析計(jì)算目標(biāo)即為求出的值,其中體現(xiàn)高次諧波的含量 。實(shí)際電網(wǎng)中由于電力系統(tǒng)為三相系統(tǒng),偶次諧波基本消除,因此只考慮奇次諧波,占總諧波含量97%以上的諧波集中在25次諧波以下,本文只分析25次以下(包括25次)奇次諧波含量,根據(jù)以上分析,式(4)可以簡(jiǎn)化成

其中 諧波分析即為求取式(5)中權(quán)值系數(shù) 的值。

2基于神經(jīng)網(wǎng)絡(luò)諧波檢測(cè)算法

本系統(tǒng)采用單層感知器―誤差修正學(xué)習(xí)法 。由式(5)可知,神經(jīng)網(wǎng)絡(luò)諧波權(quán)值計(jì)算可用如圖1所示,作為網(wǎng)絡(luò)的輸入,為理論電流:

為實(shí)測(cè)電流值,也就是期望電流值,為期望電流值與網(wǎng)絡(luò)實(shí)際輸出之差,即誤差信號(hào):

誤差信號(hào)為驅(qū)動(dòng)控制信號(hào),其目的是修正調(diào)節(jié)各次諧波權(quán)值,使網(wǎng)絡(luò)輸出一步一步接近期望輸出 ,這一目標(biāo)通過(guò)最小化性能指標(biāo)來(lái)實(shí)現(xiàn) ,性能指標(biāo)定義如下:

權(quán)值修正法則如下:

其中表示第n個(gè)輸入量第k+1表示第次迭代后結(jié)果,為學(xué)習(xí)率,為學(xué)習(xí)誤差,為第n個(gè)輸入向量。

綜合以上分析可知,采用單層感知器-誤差修正神經(jīng)網(wǎng)絡(luò)的諧波算法計(jì)算步驟如下:

(1)給定初始諧波權(quán)值

初始權(quán)值賦值可采用在規(guī)定區(qū)間內(nèi)的隨機(jī)賦值法,初值賦值區(qū)間為[-2,2]。

(2)給定當(dāng)前輸入

由前面分析可知為神經(jīng)網(wǎng)絡(luò)輸入,輸入量在不同的時(shí)刻t不同,因此必須建立查表機(jī)制來(lái)查詢不同時(shí)刻的網(wǎng)絡(luò)輸入,用表示第n次迭代中第個(gè)輸入量( 的順序依次編號(hào))。

(3)由權(quán)值和輸入量計(jì)算網(wǎng)絡(luò)輸出值

(4)根據(jù)網(wǎng)絡(luò)輸出和期望輸出計(jì)算學(xué)習(xí)誤差,如式(7)所示。

(5)根據(jù)學(xué)習(xí)誤差調(diào)節(jié)權(quán)值

其中表示第次迭代中第n個(gè)輸入量的連接權(quán)值

(6)回到2繼續(xù)進(jìn)行下一次迭代計(jì)算

基于單層感知器-誤差修正學(xué)習(xí)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)就是迭代過(guò)程相對(duì)簡(jiǎn)單,最后系統(tǒng)能穩(wěn)定收斂到目標(biāo)范圍。但系統(tǒng)的穩(wěn)定性受系統(tǒng)反饋參數(shù)影響較大,學(xué)習(xí)率的選取對(duì)于系統(tǒng)重復(fù)學(xué)習(xí)過(guò)程中的穩(wěn)定性和收斂性是非常重要的,的值過(guò)大,會(huì)加快收斂速度但誤差過(guò)大,的值過(guò)小,學(xué)習(xí)速度過(guò)慢,也將影響系統(tǒng)實(shí)時(shí)響應(yīng)速度。

3遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法

上一節(jié)中提到的單層感知器-誤差修正神經(jīng)網(wǎng)絡(luò)是一種簡(jiǎn)單的尋優(yōu)算法,但神經(jīng)網(wǎng)絡(luò)權(quán)值尋優(yōu)算法存在全局搜索能力差的缺點(diǎn),初始權(quán)值隨機(jī)性過(guò)大影響網(wǎng)絡(luò)的泛化能力,而遺傳算法可以對(duì)復(fù)雜的,非線性的、多峰的不可微函數(shù)實(shí)現(xiàn)最優(yōu)全局搜索,能有效利用歷史信息來(lái)推測(cè)下一代更優(yōu)質(zhì)的尋優(yōu)點(diǎn)集 。這樣不斷進(jìn)化,最后收斂到一個(gè)最適應(yīng)環(huán)境的個(gè)體上,進(jìn)而得出問(wèn)題的最優(yōu)解。因此,可以先用遺傳算法對(duì)初始權(quán)值進(jìn)行優(yōu)化,在大范圍解空間定位出適用于優(yōu)化目標(biāo)的較好搜索空間,然后利用神經(jīng)網(wǎng)絡(luò)在這一個(gè)較小解空間進(jìn)行局部尋優(yōu),這樣既可以避免在尋優(yōu)過(guò)程陷入局部最優(yōu),還可以加快算法收斂。據(jù)此本文將遺傳算法與單層感知器-學(xué)習(xí)修正神經(jīng)網(wǎng)絡(luò)算法進(jìn)行結(jié)合來(lái)優(yōu)化諧波含量計(jì)算。遺傳算法進(jìn)化步驟如下 :

第一步:確定決策變量和約束條件

包括基波權(quán)值在內(nèi),一共有13組,總共有26個(gè)權(quán)值,諧波權(quán)值的范圍一般在[-1,1],權(quán)值可能溢出,本文將權(quán)值范圍擴(kuò)大到[-2,2],即:

第二步:建立優(yōu)化模型

優(yōu)化目標(biāo)為使得性能指標(biāo)到合理范圍

第三步:確定編碼、解碼方法

對(duì)于每一個(gè)權(quán)值其取值區(qū)間為[-2,2],由于遺傳算法計(jì)算目的為搜索最優(yōu)區(qū)間,而非最優(yōu)解,因此將[-2,2]區(qū)間以0.2為單位分為20等份,計(jì)算最終目標(biāo)只需求出最優(yōu)解所在區(qū)間即可,可知每個(gè)權(quán)值從-2到2有21個(gè)取值可能,可用4位二進(jìn)制編碼串表示,一共有26個(gè)權(quán)值,按照的順序需要104位二進(jìn)制編碼串來(lái)表示,這便構(gòu)成了染色體編碼方法。解碼時(shí)先將104位的二進(jìn)制編碼串截成26段4位二進(jìn)制編碼串,每一段編碼串表示一個(gè)權(quán)值編碼,設(shè)某一段編碼為,解碼后表示權(quán)值實(shí)際值為,可知

第四步:確定個(gè)體評(píng)價(jià)方法

可知個(gè)體評(píng)價(jià)方法即為性能指標(biāo)控制到合理范圍。

第五步:設(shè)計(jì)遺傳算子

選擇運(yùn)算選用比例選擇算子;交叉運(yùn)算使用單點(diǎn)交叉算子;編譯運(yùn)算使用基本位變異算子。

第六步:設(shè)定遺傳算法運(yùn)行參數(shù)

包括群體大小、終止代數(shù)、交叉概率和變異概率

結(jié)合前面神經(jīng)網(wǎng)絡(luò)算法的分析,可得出遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法計(jì)算諧波的總計(jì)算流程,如圖2所示:

4MATLAB仿真分析

根據(jù)前面對(duì)算法的分析,使用MATLAB提供的神經(jīng)網(wǎng)絡(luò)和遺傳算法工具性進(jìn)行仿真處理 。設(shè)置遺傳算法群體大小為80,終止代數(shù)為100,交叉概率為0.7,變異概率為0.001,神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)率為0.1,使用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練樣本曲線如圖3所示,單獨(dú)使用神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練樣本曲線如圖4所示:

由圖3和圖4可知,采用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行諧波分析,在遺傳算法完成100步迭代后適應(yīng)度最高樣本的訓(xùn)練誤差已經(jīng)降到,此后進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練到160步后訓(xùn)練誤差已經(jīng)降到,相比單獨(dú)使用神經(jīng)網(wǎng)絡(luò)算法,需要到350步訓(xùn)練誤差才能到,可見(jiàn)采用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法大大加快了迭代速度和計(jì)算結(jié)果的準(zhǔn)確性。

5遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)

使用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法為諧波計(jì)算分析提出了新的解決思路,主要特點(diǎn)包括:(1)全局搜索能力強(qiáng),算法精確度高 。(2)抗干擾能力強(qiáng).。(3)自適應(yīng)能力強(qiáng)。智能算法進(jìn)行諧波分析作為一種新興的諧波分析思路,但是由于智能算法對(duì)于訓(xùn)練樣本的依耐性非常大,算法參數(shù)的設(shè)置對(duì)于整體計(jì)算精度和效率影響非常大,現(xiàn)場(chǎng)應(yīng)用不夠,因此還需作更為深入的探索研究。

注釋:

呂潤(rùn)如. 電力系統(tǒng)高次諧波[M].北京:中國(guó)電力出版社,1998.

危韌勇,李志勇.基于人工神經(jīng)元網(wǎng)絡(luò)的電力系統(tǒng)諧波測(cè)量方法[J]. 電網(wǎng)技術(shù),1999,23(12):20-23.

焦李成.神經(jīng)網(wǎng)絡(luò)計(jì)算[M].西安:西安電子科技大學(xué)出版社,1993.

危韌勇,李志勇,李群湛.一種基于ANN理論的諧波電流動(dòng)態(tài)檢測(cè)方法研究[J]. 鐵道學(xué)報(bào),2000,22(1):40-43.

陳國(guó)良,王熙法,莊鎮(zhèn)泉,王東生.遺傳算法及其應(yīng)用[M].北京:人民郵電出版社,1999.

王小平,曹立民.遺傳算法-理論、應(yīng)用于軟件實(shí)現(xiàn)[M].西安:西安交通大學(xué)出版社,2002.

第2篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

[關(guān)鍵詞] 神經(jīng)網(wǎng)絡(luò)； 煤礦突水； 優(yōu)化設(shè)計(jì)； 遺傳算法

1 引言

煤礦行業(yè)作為我國(guó)的一種重要的傳統(tǒng)能源行業(yè)，在國(guó)民經(jīng)濟(jì)、人民生活等眾多領(lǐng)域中起著舉足輕重的作用。但現(xiàn)階段我國(guó)的煤礦企業(yè)普遍存在著安全化的建設(shè)水品嚴(yán)重的滯后，在生產(chǎn)中，安全保障方法嚴(yán)重的不足，開(kāi)挖的成本居高不下。而與其相對(duì)的是近些年來(lái)，遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)的興起，改變了傳統(tǒng)安全監(jiān)測(cè)的諸多不足之處，使得信息安全化技術(shù)滲透了人們生活的每個(gè)角落。在很多地方已經(jīng)將引進(jìn)遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)這種重要的輔技術(shù)作為一種衡量公司運(yùn)營(yíng)好壞的標(biāo)準(zhǔn)。

而現(xiàn)階段我國(guó)的煤礦企業(yè)基本上受制于安全化系統(tǒng)不發(fā)達(dá)，從而使得煤礦生產(chǎn)中的突水事故經(jīng)常發(fā)生，同時(shí)，企業(yè)內(nèi)部的各個(gè)應(yīng)用之間也難以連通，不利于系統(tǒng)集成，致使系統(tǒng)內(nèi)溝通繁瑣。不止如此，缺乏有效的安全化技術(shù)也使得領(lǐng)導(dǎo)缺乏及時(shí)有效的數(shù)據(jù)用于推斷預(yù)測(cè)企業(yè)的發(fā)展與行業(yè)的發(fā)展趨勢(shì)。這些問(wèn)題在一定程度上嚴(yán)重的制約了我國(guó)的煤礦行業(yè)發(fā)展，利用現(xiàn)有遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)的煤礦監(jiān)測(cè)技術(shù)完全可以大大改善這種現(xiàn)象。

因此，將遺傳算法和神經(jīng)網(wǎng)絡(luò)的技術(shù)引入我們煤礦行業(yè)勢(shì)在必行。而在預(yù)測(cè)煤礦突水事件的方案中可以有效的將信息資源集中到各個(gè)管理機(jī)構(gòu)，從而推進(jìn)煤礦行業(yè)的安全化進(jìn)程，促進(jìn)煤礦行業(yè)的發(fā)展。

2 神經(jīng)網(wǎng)絡(luò)在煤礦突水預(yù)測(cè)中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)是一種符號(hào)數(shù)值相結(jié)合以人工神經(jīng)網(wǎng)絡(luò)為核心建造的智能預(yù)測(cè)系統(tǒng)。其采用一種或多種神經(jīng)網(wǎng)絡(luò)算法來(lái)學(xué)習(xí)輸入輸出之間的關(guān)系，摒棄了傳統(tǒng)產(chǎn)生式系統(tǒng)的結(jié)構(gòu)和工作周期。該模型的建立過(guò)程，一是確定礦井突水的主要影響因素即確定輸入層神經(jīng)元的個(gè)數(shù)，如含水層條件、構(gòu)造條件、巖性組合條件、開(kāi)采條件以及巖性特征等因素；二是確定隱含層的層數(shù)和神經(jīng)元的個(gè)數(shù)；三是確定輸出層神經(jīng)元的個(gè)數(shù)。對(duì)建立的模型進(jìn)行訓(xùn)練和檢驗(yàn)，準(zhǔn)確率高達(dá)100%。在突水事故中因構(gòu)造引起事故的主要控制因素是斷裂構(gòu)造。神經(jīng)網(wǎng)絡(luò)非線性特征可以實(shí)現(xiàn)數(shù)據(jù)輸入和輸出的任意映射，這使得它在許多領(lǐng)域得到了廣泛的應(yīng)用，如模式識(shí)別、函數(shù)逼近、數(shù)據(jù)壓縮等領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程按照有導(dǎo)師的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，分為網(wǎng)絡(luò)輸入信號(hào)正向傳播和誤差信號(hào)反向傳播兩種形式。在正向傳播中，輸入數(shù)據(jù)從輸入層經(jīng)過(guò)隱含層逐步計(jì)算結(jié)果，將其傳向輸出層，網(wǎng)絡(luò)的訓(xùn)練過(guò)程中輸入模式的網(wǎng)絡(luò)信息與輸出層的各神經(jīng)元輸出值對(duì)應(yīng)；在學(xué)習(xí)的過(guò)程中，若輸出層得不到預(yù)先設(shè)定的期望輸出，則網(wǎng)絡(luò)按減小期望輸出與實(shí)際輸出的誤差理論原則。

神經(jīng)網(wǎng)絡(luò)技術(shù)正由于其強(qiáng)大的數(shù)值處理能力，因而用于煤礦突水事件的設(shè)計(jì)，這種設(shè)計(jì)也是最近幾年才開(kāi)始使用，為生產(chǎn)提供了很好的科學(xué)方案設(shè)計(jì)。在使用了神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)突水后，可以大大提高設(shè)計(jì)效率和質(zhì)量，還保障了煤礦生產(chǎn)中的安全?；谏窠?jīng)網(wǎng)絡(luò)技術(shù)的煤礦預(yù)測(cè)突水設(shè)計(jì)方案優(yōu)化的目的是讓施工中在最少的材料和最低成本的情況下，用最合理的技術(shù)完成要求的工作，最大程度的完成施工中不發(fā)生突水事件，把巷道內(nèi)部的強(qiáng)度、剛度、穩(wěn)定性能都 發(fā)揮出來(lái)。神經(jīng)網(wǎng)絡(luò)技術(shù)軟件就是比人工系統(tǒng)多出了智能識(shí)別，自動(dòng)的在系統(tǒng)內(nèi)部生成機(jī)械的最有配置。

⑴ 非線性的優(yōu)化設(shè)計(jì)法

非線性的優(yōu)化設(shè)計(jì)是不同的約定的函數(shù)數(shù)值所產(chǎn)生的一種安全設(shè)計(jì)方案。系統(tǒng)在使用時(shí)，會(huì)自動(dòng)生成約定之外的函數(shù)數(shù)值，這些數(shù)值直接用于機(jī)械的編程使用中，指導(dǎo)施工運(yùn)行。這種非線性方案可以分為兩種。一種是利用目標(biāo)定位將一次積分和二次積分在相乘的情況下，再次加權(quán)，以得到相應(yīng)的施工設(shè)計(jì)方案。這種方法具體有共軛替代法、變化模式階層法以及多普勒開(kāi)根號(hào)法。這些在神經(jīng)網(wǎng)絡(luò)技術(shù)的安全方案中正是由于穩(wěn)定性能良好，計(jì)算較為簡(jiǎn)便，所以使用比較廣泛。另外一種就是假定一個(gè)多元函數(shù)，將函數(shù)在定義域范圍內(nèi)縮減至有效值，把目標(biāo)函數(shù)的第三種類型編程可分析區(qū)域加以利用。這種方法雖然比較簡(jiǎn)單，但是用于突水預(yù)測(cè)中卻很少，最主要的原因是在轉(zhuǎn)變編程中多次使用神經(jīng)網(wǎng)絡(luò)技術(shù)，導(dǎo)致系統(tǒng)的數(shù)據(jù)無(wú)法完全復(fù)制到程序中，施工所執(zhí)行的命令和指令都是很片面，具體變現(xiàn)在工作斷斷續(xù)續(xù)，不能系統(tǒng)的完成整個(gè)工程的協(xié)調(diào)指令。

⑵ 線性優(yōu)化設(shè)計(jì)法

在突水預(yù)測(cè)設(shè)計(jì)問(wèn)題大多要使用線性函數(shù)，根據(jù)線性函數(shù)出來(lái)數(shù)據(jù)時(shí)又可以分為直接法和間接法。直接法通常有復(fù)雜圖形靜態(tài)變現(xiàn)法，在突水預(yù)測(cè)在運(yùn)轉(zhuǎn)中會(huì)遇到一些人為情況下無(wú)法處理的事情，這時(shí)利用神經(jīng)網(wǎng)絡(luò)技術(shù)所生成的處理技術(shù)，可以很好的在具體的點(diǎn)位固定目標(biāo)，將安全設(shè)施指引到正確的位置。構(gòu)造中，函數(shù)不斷的迭代，自動(dòng)加載出合適的運(yùn)行模式，在一系列的數(shù)學(xué)計(jì)算后，得出線性解答，最終得到合理的解決方案。

間接法常見(jiàn)的有共軛函數(shù)法、增廣矩陣變化法。它是將煤礦突水的線性優(yōu)化問(wèn)題轉(zhuǎn)化成非線性優(yōu)化問(wèn)題，再通過(guò)非線性優(yōu)化方法來(lái)求解，或者非線性優(yōu)化問(wèn)題轉(zhuǎn)化成線性規(guī)劃問(wèn)題來(lái)處理。加運(yùn)轉(zhuǎn)的指令以坐標(biāo)的形式發(fā)散出去，得到的目標(biāo)函數(shù)在通過(guò)重復(fù)的驗(yàn)算，再次得到神經(jīng)網(wǎng)絡(luò)技術(shù)中所要求的優(yōu)化方案。

3 遺傳算法在煤礦突水預(yù)測(cè)中的應(yīng)用

基于遺傳算法技術(shù)的煤礦突水預(yù)測(cè)設(shè)計(jì)是在以往傳統(tǒng)的機(jī)械設(shè)計(jì)理念上加上了更多的計(jì)算機(jī)數(shù)據(jù)編程，是一種更加科學(xué)的現(xiàn)代化手段。為在煤礦生產(chǎn)效率中也得到了很好的優(yōu)化，也能使煤礦生產(chǎn)安全達(dá)到更好、更高的要求。接下來(lái)，我們將著重介紹在煤礦突水預(yù)測(cè)中使用安全技術(shù)優(yōu)化方案中的遺傳算法。

遺傳算法，是20世紀(jì)70年代初期由美國(guó)密執(zhí)根大學(xué)霍蘭教授提出的一種為煤礦突水事故提供預(yù)測(cè)方法的一種提前預(yù)案。GA是一種在人為施工條件下非確定性的擬自然算法，這種算法是根據(jù)自然界仿照生物的固有進(jìn)化規(guī)律，對(duì)一個(gè)大的群體進(jìn)行隨機(jī)抽樣，觀測(cè)其繁衍變化以及淘汰機(jī)制。其中就會(huì)有適者生存，不適者就會(huì)被淘汰，按照這樣的規(guī)律不斷重復(fù)，使整個(gè)群體在繁衍的素質(zhì)上和種群的數(shù)量上都會(huì)有很大的提高，時(shí)間變長(zhǎng)，這樣的趨勢(shì)會(huì)顯現(xiàn)的更加明顯，最終會(huì)以一種優(yōu)化平衡的態(tài)勢(shì)趨于平衡，并且保持最優(yōu)配合比。遺傳算法具有魯棒性、自適應(yīng)性、全局優(yōu)化性和隱含并行性。

主要應(yīng)用領(lǐng)域有：函數(shù)優(yōu)化方面、機(jī)械的組合優(yōu)化、機(jī)器概念學(xué)習(xí)、設(shè)備的控制方面、三維圖型顯示、機(jī)械設(shè)備故障診斷、人工生命、神經(jīng)網(wǎng)絡(luò)等最近幾年中遺傳算法在機(jī)械工程領(lǐng)域也開(kāi)展了多方面的應(yīng)用。本文中提到的煤礦突水預(yù)測(cè)技術(shù)下的設(shè)計(jì)優(yōu)化就是選取這樣的設(shè)計(jì)理念，在優(yōu)勢(shì)上有了很大的突顯，主要表現(xiàn)在：

（1）煤礦整體結(jié)構(gòu)優(yōu)化設(shè)計(jì)：在煤礦生產(chǎn)中，多考慮到安全方面的因素，遺產(chǎn)法在結(jié)合突水施工行為后，針對(duì)多樣的遺傳算法中的彈性改變量、固定動(dòng)態(tài)與波段概率等是不能夠改變機(jī)械設(shè)備的運(yùn)行模式，也就不能對(duì)煤礦施工安全有任何的優(yōu)化過(guò)程。在提出了交叉適應(yīng)變于線替改變的方法后，彈性改變量就會(huì)維持在一個(gè)平穩(wěn)的狀態(tài)，遺傳算法中的頻率會(huì)體現(xiàn)在設(shè)備的轉(zhuǎn)動(dòng)上，這種遺傳算法為解決煤礦突水在工程使用中結(jié)構(gòu)優(yōu)化設(shè)計(jì)、多峰值函數(shù)求極值等問(wèn)題提供了參考。

（2）可行性分析：在安全的整個(gè)框架系統(tǒng)中，模擬了固定模式中的運(yùn)行，加上基于數(shù)據(jù)可視化技術(shù)下的運(yùn)轉(zhuǎn)方式，把整個(gè)系統(tǒng)的優(yōu)化性再次提升，能夠在加工材料和零件上的加工都有很好的保護(hù)作用，避免了很多機(jī)械設(shè)備在使用中對(duì)于不明施工環(huán)境變化導(dǎo)致的機(jī)械損壞，提出框架結(jié)構(gòu)系統(tǒng)可靠性優(yōu)化的遺傳算法在安全設(shè)備升級(jí)優(yōu)化都有積極的幫助。

（3）故障診斷：以網(wǎng)絡(luò)權(quán)重和偏差的實(shí)數(shù)形式作為基因構(gòu)成染色體向量，采用基因多點(diǎn)交叉和動(dòng)態(tài)變異進(jìn)行種群最優(yōu)選擇，提出了一種新的基于數(shù)據(jù)可視化技術(shù)的遺傳算法，并在此基礎(chǔ)上設(shè)計(jì)出一種基于遺傳算法和有毒性氣體分析的技術(shù)，使得煤礦機(jī)械設(shè)備會(huì)在滿負(fù)荷工作時(shí)自動(dòng)的對(duì)整個(gè)電路系統(tǒng)起到測(cè)試的作用。

盡管遺傳算法在突水預(yù)測(cè)技術(shù)指導(dǎo)下已解決煤礦生產(chǎn)中了許多難題，但還存在許多不足之處，如算法本身的參數(shù)優(yōu)化問(wèn)題、如何避免過(guò)早收斂、如何改進(jìn)計(jì)算機(jī)有效的工作時(shí)間和工作方法來(lái)提高算法的效率、遺傳算法與其它優(yōu)化算法的結(jié)合問(wèn)題等。用遺傳算法求解約線性和非線性優(yōu)化問(wèn)題時(shí)，一般采用共軛發(fā)散函數(shù)法，如何合理的選擇共軛因子是算法的難點(diǎn)之所在。共軛因子取得過(guò)小時(shí)，可能造成整個(gè)發(fā)散函數(shù)的極小解不是原目標(biāo)函數(shù)的極小解；共軛因子取得過(guò)大時(shí)，搜索過(guò)程增加困難，所以對(duì)煤礦突水預(yù)測(cè)技術(shù)中遺傳算法中的一系列問(wèn)題還有待于進(jìn)一步研究、討論。

4 結(jié)束語(yǔ)

遺傳算法和神經(jīng)網(wǎng)絡(luò)在煤礦突水預(yù)測(cè)中的應(yīng)用設(shè)計(jì)作為一項(xiàng)革命性的技術(shù)，在許多行業(yè)中都有著巨大的發(fā)展空間及應(yīng)用價(jià)值。在煤礦企業(yè)安全化進(jìn)程中引入遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)有著明顯的優(yōu)勢(shì)，它在簡(jiǎn)化管理，加強(qiáng)安全監(jiān)控等方面具有不可比擬的優(yōu)勢(shì)，十分適合我國(guó)煤礦企業(yè)的發(fā)展。利用安全設(shè)備的優(yōu)化方能能實(shí)現(xiàn)對(duì)煤礦突水事件的規(guī)避，使得煤礦行業(yè)能可持續(xù)發(fā)展。

[參考文獻(xiàn)]

[1] 濮良貴. 機(jī)械零件[M]. 北京高等教育出版社，1982，5（13）：23-26.

[2] 蒲 俊，吉家鋒. 數(shù)據(jù)可視化技術(shù)數(shù)學(xué)手冊(cè)[M]. 上海浦東電子出版社，2002，9（11）：100-108.

第3篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

論文摘要： 從現(xiàn)有安全設(shè)施來(lái)看，TDCS網(wǎng)絡(luò)系統(tǒng)安全體系初步形成。但是，隨著計(jì)算機(jī)網(wǎng)絡(luò)的日益普及，各種安全威脅和計(jì)算機(jī)病毒也隨之而來(lái)。現(xiàn)有的網(wǎng)絡(luò)安全系統(tǒng)雖然起到一定的防護(hù)作用，但并不能完全解決整個(gè)骨干網(wǎng)絡(luò)的系統(tǒng)安全問(wèn)題。因此，擬采用基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)技術(shù)，結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，加強(qiáng)對(duì)TDCS網(wǎng)絡(luò)的監(jiān)視和防護(hù)。

1 TDCS網(wǎng)絡(luò)安全狀況

1.1 TDCS網(wǎng)絡(luò)安全現(xiàn)狀

TDCS（TrainOperation Dispatching Command System）是覆蓋全路的列車調(diào)度指揮管理系統(tǒng)，分為鐵道部、鐵路局和車站三級(jí)建設(shè)，能及時(shí)、準(zhǔn)確地為全路各級(jí)調(diào)度指揮管理人員提供現(xiàn)代化的調(diào)度指揮手段和平臺(tái)，是鐵路運(yùn)輸調(diào)度指揮現(xiàn)代化建設(shè)的標(biāo)志。但是，隨著計(jì)算機(jī)網(wǎng)絡(luò)的日益普及，各種安全威脅和計(jì)算機(jī)病毒也隨之而來(lái)，這就導(dǎo)致TDCS網(wǎng)絡(luò)存在著安全隱患。

1.2 TDCS網(wǎng)絡(luò)安全存在的問(wèn)題

在TDCS網(wǎng)絡(luò)中主要存在著以下幾方面安全問(wèn)題：1）間接來(lái)自于互聯(lián)網(wǎng)的病毒威脅；2）操作系統(tǒng)的安全威脅；3）應(yīng)用軟件的安全威脅；4）計(jì)算機(jī)設(shè)置的安全隱患；5）實(shí)時(shí)監(jiān)控能力弱。

2 TDCS網(wǎng)絡(luò)安全防護(hù)

2.1 TDCS網(wǎng)絡(luò)目前采取的安全防護(hù)措施

針對(duì)TDCS網(wǎng)絡(luò)存在的安全問(wèn)題，結(jié)合各種技術(shù)和方法，目前全路系統(tǒng)信息安全防護(hù)體系采取的措施有：

1）防火墻系統(tǒng)。防火墻技術(shù)是實(shí)現(xiàn)子網(wǎng)邊界安全的重要技術(shù)。首先路由器將對(duì)網(wǎng)絡(luò)層安全進(jìn)行初步保證，但路由器的訪問(wèn)控制列表只能作為防火墻系統(tǒng)的一個(gè)重要補(bǔ)充，只能通過(guò)防火墻系統(tǒng)來(lái)實(shí)現(xiàn)復(fù)雜的安全控制。

2）身份認(rèn)證系統(tǒng)。由于TDCS人員結(jié)構(gòu)復(fù)雜，用戶眾多，安全意識(shí)參差不齊，所以用戶的工作內(nèi)容也不盡相同，對(duì)于如此重要的系統(tǒng)，目前采用的以靜態(tài)密碼為主的身份認(rèn)證系統(tǒng)帶來(lái)的安全威脅是非常嚴(yán)重的，會(huì)造成比較大的安全風(fēng)險(xiǎn)。為了解決此類安全隱患，實(shí)用動(dòng)態(tài)口令對(duì)TDCS用戶進(jìn)行身份認(rèn)證是非常必要的。

3）網(wǎng)絡(luò)防病毒系統(tǒng)。根據(jù)對(duì)病毒來(lái)源的分析，TDCS網(wǎng)絡(luò)防病毒系統(tǒng)主要體現(xiàn)在以下三個(gè)方面：第一，防病毒集中統(tǒng)一管理，就是在鐵路局內(nèi)部安裝防病毒軟件管理系統(tǒng)，對(duì)所有客戶端防病毒軟件進(jìn)行統(tǒng)一管理；第二，服務(wù)器病毒防護(hù)，就是對(duì)各種服務(wù)器進(jìn)行病毒掃描和清除；第三，桌面防毒防護(hù)，就是對(duì)各項(xiàng)桌面系統(tǒng)軟件進(jìn)行病毒掃描和清楚。

4）入侵檢測(cè)系統(tǒng)。入侵檢測(cè)的主要功能是控制對(duì)網(wǎng)絡(luò)的非法控制，通過(guò)監(jiān)視、限制通過(guò)網(wǎng)絡(luò)的數(shù)據(jù)流，防止外對(duì)內(nèi)、內(nèi)對(duì)外的非法訪問(wèn)，隔離內(nèi)部網(wǎng)和外部網(wǎng)，為監(jiān)視TDCS局域網(wǎng)安全提供便利。

5）安全漏洞評(píng)估系統(tǒng)。

2.2 TDCS網(wǎng)絡(luò)采用入侵檢測(cè)進(jìn)行防護(hù)的好處

通過(guò)以上介紹，我們不難發(fā)現(xiàn)，在TDCS網(wǎng)絡(luò)安全體系中，入侵檢測(cè)系統(tǒng)是唯一一個(gè)通過(guò)數(shù)據(jù)和行為模式判斷其是否有效的系統(tǒng)。

形象地說(shuō)，入侵檢測(cè)系統(tǒng)就是網(wǎng)絡(luò)攝像機(jī)，能夠捕獲并記錄網(wǎng)絡(luò)上的所有數(shù)據(jù)，同時(shí)它也是智能攝像機(jī)，能夠分析網(wǎng)絡(luò)數(shù)據(jù)并提煉出可疑的、異常的網(wǎng)絡(luò)數(shù)據(jù)，它還是X光攝像機(jī)，能夠穿透一些巧妙的偽裝，抓住實(shí)際的內(nèi)容。此外，它還是保安員的攝像機(jī)，能夠?qū)θ肭中袨樽詣?dòng)地進(jìn)行反擊，如阻斷連接。

在TDCS網(wǎng)絡(luò)中引入入侵檢測(cè)技術(shù)，主要是實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的非法控制，通過(guò)監(jiān)視、限制通過(guò)網(wǎng)絡(luò)的數(shù)據(jù)流，給網(wǎng)絡(luò)系統(tǒng)提供對(duì)外部攻擊、內(nèi)部攻擊和誤操作的安全保護(hù)，為監(jiān)視TDCS局域網(wǎng)安全提供更多便利。

3 基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)系統(tǒng)

3.1 傳統(tǒng)的IDS存在的問(wèn)題

1）準(zhǔn)確性差。傳統(tǒng)的統(tǒng)計(jì)方法需要依賴于一些假設(shè)，如審計(jì)數(shù)據(jù)（或用戶行為）的分布符合高斯分布，實(shí)際上用戶行為具有隨機(jī)性，這些假設(shè)有時(shí)可能無(wú)效，從而導(dǎo)致較高的錯(cuò)誤率。

2）靈活性差。傳統(tǒng)的IDS對(duì)攻擊特征的刻畫(huà)只能是某些固定的序列，但現(xiàn)實(shí)中的入侵者利用的手段往往是有變化的，而要在入侵模式庫(kù)中反映出所有可能的變化是不可能的。

3）適應(yīng)性差。入侵者的攻擊方法是在不斷發(fā)展的，但傳統(tǒng)的入侵檢測(cè)系統(tǒng)無(wú)法有效地預(yù)測(cè)和識(shí)別新的攻擊方法，使系統(tǒng)的適應(yīng)性受到限制。

3.2 采用基于遺傳算法的神經(jīng)網(wǎng)絡(luò)IDS的好處

將遺傳算法全局搜索最優(yōu)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)結(jié)合起來(lái)，取長(zhǎng)補(bǔ)短，既可以減小遺傳算法的搜索空間、提高搜索效率，又可以較容易地收斂到最優(yōu)解，為求解多目標(biāo)優(yōu)化問(wèn)題提供了新的策略。

4 結(jié)束語(yǔ)

目前在TDCS網(wǎng)絡(luò)安全系統(tǒng)中采用的IDS一般都是基于神經(jīng)網(wǎng)絡(luò)技術(shù)的，由于神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要依據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)在大樣本空間反復(fù)實(shí)驗(yàn)來(lái)進(jìn)行選取，尚無(wú)理論上的指導(dǎo)，因此在神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)以及網(wǎng)絡(luò)結(jié)構(gòu)的選擇上具有很大的隨機(jī)性，很難選取具有全局性的初始點(diǎn)，因而網(wǎng)絡(luò)求得全局最優(yōu)的可能性小。本文提出的技術(shù)很好的克服了這些缺點(diǎn)，較好地解決了問(wèn)題。

參考文獻(xiàn)：

[1]鐵道部運(yùn)輸局，鐵路列車調(diào)度指揮系統(tǒng)，北京：中國(guó)鐵道出版社，2006.10.

[2]高麗，鐵路站段計(jì)算機(jī)網(wǎng)絡(luò)故障解決方法[J].鐵路計(jì)算機(jī)應(yīng)用，2006，13（9）：13-16.

[3]周明孫、樹(shù)棟，遺傳算法原理及應(yīng)用，北京：國(guó)防工業(yè)出版社，1999.

第4篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

旅游市場(chǎng)趨勢(shì)預(yù)測(cè)是旅游業(yè)發(fā)展戰(zhàn)略和旅游規(guī)劃與開(kāi)發(fā)工作的重要基礎(chǔ)依據(jù)，一直是旅游市場(chǎng)研究中最重要的內(nèi)容之一。根據(jù)市場(chǎng)趨勢(shì)預(yù)測(cè)的結(jié)果，旅游相關(guān)部門(mén)才可以制定合理的旅游規(guī)劃，進(jìn)行旅游資源的優(yōu)化配置。旅游市場(chǎng)趨勢(shì)預(yù)測(cè)是在對(duì)影響市場(chǎng)的諸因素進(jìn)行系統(tǒng)調(diào)查和研究的基礎(chǔ)上，運(yùn)用科學(xué)的方法，對(duì)未來(lái)旅游市場(chǎng)的發(fā)展趨勢(shì)以及有關(guān)的各種因素的變化，進(jìn)行分析、預(yù)見(jiàn)、估計(jì)和判斷。

近年來(lái)，旅游研究者對(duì)旅游市場(chǎng)趨勢(shì)預(yù)測(cè)的方法進(jìn)行了探索。目前主要有時(shí)間序列法、回歸分析法、指數(shù)預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)法。由于旅游市場(chǎng)的變化受到諸多因素的影響，導(dǎo)致旅游市場(chǎng)的趨勢(shì)預(yù)測(cè)難度較大，但我們對(duì)預(yù)測(cè)精度的要求卻越來(lái)越高。

本文是基于人工神經(jīng)網(wǎng)絡(luò)方法，提出使用遺傳算法對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，探索更精確、更適用于旅游市場(chǎng)預(yù)測(cè)現(xiàn)實(shí)狀況的預(yù)測(cè)方法。

1 方法概述

人工神經(jīng)網(wǎng)絡(luò)是近年來(lái)的熱點(diǎn)研究領(lǐng)域，是人類智能研究的重要組成部分，已經(jīng)成為神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)、認(rèn)知科學(xué)、數(shù)學(xué)和物理學(xué)等多學(xué)科關(guān)注的熱點(diǎn)。其應(yīng)用領(lǐng)域包括：分類、預(yù)測(cè)、模式識(shí)別、信號(hào)處理和圖像處理等，并繼續(xù)向其他領(lǐng)域延伸。

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。

圖中，X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，wij和wjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看成一個(gè)非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測(cè)值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點(diǎn)數(shù)為n，輸出節(jié)點(diǎn)數(shù)為m時(shí)，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從n個(gè)自變量到m個(gè)因變量的函數(shù)映射關(guān)系。

1.2 遺傳算法

遺傳算法（Genetic Algorithms）是1962年由美國(guó)Michigan大學(xué)Holland教授提出的模擬自然界遺傳機(jī)制和重托進(jìn)貨論而成的一種并行隨機(jī)搜索最優(yōu)化方法。它把自然界“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，按照所選擇的適應(yīng)度函數(shù)并通過(guò)遺傳中的選擇、交叉和變異對(duì)個(gè)體進(jìn)行篩選，使適應(yīng)度值好的個(gè)體被保留，適應(yīng)度差的個(gè)體被淘汰，新的群體既繼承了上一代的信息，又優(yōu)于上一代。這樣反復(fù)循環(huán)，直至滿足條件。

1.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分。其中，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定部分根據(jù)按擬合函數(shù)輸入輸出參數(shù)個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個(gè)體的長(zhǎng)度。遺傳算法優(yōu)化使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有權(quán)值和閾值，個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度。遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)個(gè)體。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用遺傳算法得到最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測(cè)函數(shù)輸出。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)函數(shù)輸出。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作。

1）種群初始化

個(gè)體編碼方法為實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值4部分組成。個(gè)體包含了神經(jīng)網(wǎng)絡(luò)全部權(quán)值和閾值，在網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，就可以構(gòu)成一個(gè)結(jié)構(gòu)、權(quán)值、閾值確定的神經(jīng)網(wǎng)絡(luò)。

2）適應(yīng)度函數(shù)

2 實(shí)證分析

旅游客流量與當(dāng)?shù)芈糜斡布败浖O(shè)施建設(shè)、各種交通設(shè)備的完善程度有著密切的關(guān)系。一個(gè)旅游地的交通設(shè)施完善程度決定了該景區(qū)的可進(jìn)入性以及客源地到旅游地的時(shí)間距離，直接影響該景區(qū)游客量。此外，景區(qū)建設(shè)情況及旅游接待設(shè)施的建設(shè)情況決定著景區(qū)的吸引力。需要指出的是，由于信息傳達(dá)的特性，游客數(shù)量對(duì)景區(qū)旅游相關(guān)條件改善的反應(yīng)具有延遲性的特點(diǎn)。本文中，采用2000 年以來(lái)北京旅客周轉(zhuǎn)量、人均GDP、全國(guó)交通、A級(jí)及以上景區(qū)個(gè)數(shù)、北京公共交通運(yùn)營(yíng)線路長(zhǎng)度、北京市基礎(chǔ)投資，預(yù)測(cè)北京市旅游人數(shù)。

通過(guò)查詢中國(guó)國(guó)家統(tǒng)計(jì)局及北京市統(tǒng)計(jì)局相關(guān)資料，得到全國(guó)人均GDP、全國(guó)交通、北京市旅客周轉(zhuǎn)量、北京市A級(jí)及以上景區(qū)個(gè)數(shù)、北京市公共交通運(yùn)營(yíng)線路長(zhǎng)度、北京市基礎(chǔ)投資數(shù)據(jù)，如表1所示。

根據(jù)遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)理論，在MATLAB 軟件中編程實(shí)現(xiàn)基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。預(yù)測(cè)誤差及真實(shí)值與預(yù)測(cè)值對(duì)比如圖2、圖3所示。

3 模型的評(píng)價(jià)

第5篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

[關(guān)鍵詞]模糊粒化；小波神經(jīng)網(wǎng)絡(luò)；股指區(qū)間預(yù)測(cè)

[DOI]101.3939/jcnkizgsc20162.71.1.3

1引言

隨著股票市場(chǎng)的逐漸完善和發(fā)展，投資金融理財(cái)產(chǎn)品成為越來(lái)越多的家庭和個(gè)人的選擇，股票就是其中重要的一種理財(cái)產(chǎn)品。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域興起的研究熱點(diǎn)，并且憑借其優(yōu)秀的非線性逼近和泛化能力在金融市場(chǎng)得到了廣泛的應(yīng)用。王文波等人進(jìn)行了基于EMD 與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[1]，任崇嶺等人進(jìn)行了基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測(cè)研究[2]，以上研究表明神經(jīng)網(wǎng)絡(luò)在股票市場(chǎng)上有較好的實(shí)際預(yù)測(cè)效果并獲得了廣泛的應(yīng)用。潘曉明等人通過(guò)采用遺傳算法的神經(jīng)網(wǎng)絡(luò)集成建立了一種股票市場(chǎng)預(yù)測(cè)模型。[3]劉沛漢等基于遺傳算法優(yōu)化進(jìn)行了神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測(cè)[4]等，上述研究結(jié)果表明遺傳算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，降低誤差方面有顯著作用。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)多得到股指點(diǎn)的預(yù)測(cè)，但是股票市場(chǎng)隨機(jī)性較大，投資者往往更希望得到股指在未來(lái)一段時(shí)間的波動(dòng)區(qū)間作為投資參考。因此，文章通過(guò)將股指開(kāi)盤(pán)數(shù)據(jù)模糊粒化，然后在小波神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上建立一種新型的股指區(qū)間預(yù)測(cè)模型，并使用遺傳算法優(yōu)化模型參數(shù)，獲得更高的精度，預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)股指波動(dòng)范圍，為股市投資者提供投資參考。

2模型的建立

2.1信息?；?/p>

1979年，LAzadeh教授提出了“信息粒化”（Information Granulation）的概念。信息?；褪峭ㄟ^(guò)一定的劃分準(zhǔn)則，將原始數(shù)據(jù)中難以辨別，或者具有特定功能相似的數(shù)據(jù)聚集成多個(gè)集合，構(gòu)成一個(gè)個(gè)信息粒，這種信息處理的方式稱之為信息粒化。一般形式如下：

2.2基于遺傳算法和BP學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

2.2.1遺傳算法的使用

遺傳算法（Genetic Algorithm）是一種模擬生物進(jìn)化機(jī)制的算法，具有較好的收斂性、極高魯棒性和廣泛適用性，可有效提高模型預(yù)測(cè)精度。因此，文章采用全局搜索能力較好的遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)，步驟如下。

2.2.2小波神經(jīng)網(wǎng)絡(luò)的建立

小波神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，以小波基函數(shù)作為隱含層節(jié)點(diǎn)傳遞函數(shù)，信號(hào)前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。文章選取Morlet母小波基函數(shù)作為隱含層小波基函數(shù)：

采用梯度修正算法高模型的預(yù)測(cè)精度、使預(yù)測(cè)輸出更接近期望輸出，修正過(guò)程如下：

3實(shí)證分析

文章選擇我國(guó)股票市場(chǎng)中的上證指數(shù)作為研究數(shù)據(jù)。文章選取201.4 年1.2月2.2 日至2016 年3 月16 日的300 個(gè)交易日的上證指數(shù)開(kāi)盤(pán)數(shù)據(jù)進(jìn)行預(yù)測(cè)，數(shù)據(jù)源于新浪財(cái)經(jīng)。將300個(gè)開(kāi)盤(pán)數(shù)據(jù)每4 天劃分成一個(gè)數(shù)據(jù)粒，劃分成75個(gè)數(shù)據(jù)塊，隸屬函數(shù)的參數(shù)即對(duì)應(yīng)模糊上界，模糊中值和模糊下界。文章使用模糊下界和模糊上界作為股票指數(shù)所在的區(qū)間。

以股指分塊數(shù)據(jù)的上界為例，選取前72個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，后3個(gè)數(shù)據(jù)作為測(cè)試集。文章選取前6個(gè)數(shù)據(jù)作為小波神經(jīng)網(wǎng)絡(luò)的輸入。隱含層節(jié)點(diǎn)的數(shù)目可根據(jù)經(jīng)驗(yàn)公式[KF（]m+n[KF）]+α 計(jì)算，其中α 是取值0～10之間的常數(shù)，經(jīng)過(guò)多次嘗試隱含層節(jié)點(diǎn)為1.3時(shí)效果最好，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，文章的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-1.3-1。

用遺傳算法計(jì)算小波神經(jīng)網(wǎng)絡(luò)測(cè)初始狀態(tài)，這里文章基于Matlab的Gatbx遺傳算法工具箱進(jìn)行編寫(xiě)。具體的參數(shù)設(shè)置為：①個(gè)體數(shù)目：50；②最大遺傳代數(shù)：20；③變異概率：005；④交叉概率：08；⑤代溝：09。

采用梯度下降法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，梯度下降訓(xùn)練具體參數(shù)如下：（1）小波神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)速率η1=002；（2）小波基函數(shù)伸縮、平移因子學(xué)習(xí)速率η1=001；（3）小波神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)為600次。訓(xùn)練結(jié)果和訓(xùn)練誤差如下。

利用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)得到2016年3月1日～3月16日的模糊上界的預(yù)測(cè)值。類似地，對(duì)上證指數(shù)模糊中間值以及模糊下界進(jìn)行相同的處理方式，可以得到具體的股指預(yù)測(cè)區(qū)間為[2.73.6，2.889]、 [2.705，2.877]和[2.74.3，2.960]。2016年3月1日～2016年3月16日股指區(qū)間預(yù)測(cè)結(jié)果和實(shí)際股指圖如下所示。

由上圖可以看出，2016年3月1日―2016年3月16日一共1.2個(gè)交易日的數(shù)據(jù)幾乎全部屬于小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)區(qū)間，并且模型預(yù)測(cè)區(qū)間波動(dòng)較小，預(yù)測(cè)較為精確。模型可以較好地預(yù)測(cè)股票指數(shù)在沒(méi)有重大政策影響的情況下的波動(dòng)情況。

對(duì)于模型預(yù)測(cè)誤差，本文采取均方根誤差（RMSE），平均絕對(duì)百分比誤差（MAPE），最大絕對(duì)誤差百分比（MaxAPE）這三項(xiàng)指標(biāo)來(lái)進(jìn)行衡量。按照如下計(jì)算公式計(jì)算得到預(yù)測(cè)結(jié)果誤差并得到計(jì)算結(jié)果：

4結(jié)語(yǔ)

文章提出了一種基于模糊粒化和遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)股票指數(shù)區(qū)間預(yù)測(cè)模型。該模型通過(guò)對(duì)上證指數(shù)開(kāi)盤(pán)數(shù)據(jù)進(jìn)行模糊?；⒁粋€(gè)基于遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)，并對(duì)未來(lái)幾日的上證指數(shù)進(jìn)行預(yù)測(cè)。實(shí)際結(jié)果表明，這一預(yù)測(cè)模型可以較好地預(yù)測(cè)未來(lái)4日上證指數(shù)的波動(dòng)區(qū)間，并且具有較高的預(yù)測(cè)精度，可以作為股票投資者的一種投資參考，有效地規(guī)避風(fēng)險(xiǎn)，從而獲取更大的收益。

參考文獻(xiàn)：

[1]王文波，等基于EMD與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2010，30（6）：102.7-103.3.

[2]任崇嶺，等基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)客流量預(yù)測(cè)研究[J].科學(xué)技術(shù)與工程，201.1，1.1（2.1）：5099-5.103.

[3]潘曉明，等基于遺傳算法神經(jīng)網(wǎng)絡(luò)集成股票市場(chǎng)預(yù)測(cè)研究[J].廣西師范學(xué)院學(xué)報(bào)，2007，2.4（1）：77-83.

[4]劉沛漢，等基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測(cè)[J].水電能源科學(xué)，2016，3.4（1）：2.1.1-2.1.4.

第6篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

為降低神經(jīng)網(wǎng)絡(luò)的冗余連接及不必要的計(jì)算代價(jià)，將量子免疫克隆算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化過(guò)程，通過(guò)產(chǎn)生具有稀疏度的權(quán)值來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。算法能夠有效刪除神經(jīng)網(wǎng)絡(luò)中的冗余連接和隱層節(jié)點(diǎn)，并同時(shí)提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率、函數(shù)逼近精度和泛化能力。該算法已應(yīng)用于秦始皇帝陵博物院野外文物安防系統(tǒng)。經(jīng)實(shí)際檢驗(yàn)，算法提高了目標(biāo)分類概率，降低了誤報(bào)率。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；量子免疫克隆算法；目標(biāo)分類；冗余連接；網(wǎng)絡(luò)優(yōu)化

中圖分類號(hào)： TP273

文獻(xiàn)標(biāo)志碼：A

Quantum-inspired clonal algorithm based method for optimizing neural networks

Abstract：

In order to reduce the redundant connections and unnecessary computing cost， quantum-inspired clonal algorithm was applied to optimize neural networks. By generating neural network weights which have certain sparse ratio， the algorithm not only effectively removed redundant neural network connections and hidden layer nodes， but also improved the learning efficiency of neural network， the approximation of function accuracy and generalization ability. This method had been applied to wild relics security system of Emperor Qinshihuangs mausoleum site museum， and the results show that the method can raise the probability of target classification and reduce the false alarm rate.

Key words：

neural network； quantum-inspired clonal algorithm； target classification； redundant connection； network optimization

0 引言

神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應(yīng)用于模式分類、函數(shù)逼近、信號(hào)預(yù)測(cè)等各種領(lǐng)域，是近年來(lái)的研究熱點(diǎn)之一[1-2]。在應(yīng)用過(guò)程中，研究人員發(fā)現(xiàn)，當(dāng)神經(jīng)網(wǎng)絡(luò)的規(guī)模過(guò)大會(huì)產(chǎn)生連接數(shù)量冗余大、計(jì)算代價(jià)過(guò)高的問(wèn)題，降低了大規(guī)模神經(jīng)網(wǎng)絡(luò)的實(shí)用性。針對(duì)此問(wèn)題，研究人員提出了多種方法在保持神經(jīng)網(wǎng)絡(luò)的前提下優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)權(quán)值。Leung等[3-4]改進(jìn)了傳統(tǒng)的遺傳算法（Genetic Algorithm， GA）并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值優(yōu)化過(guò)程，利用遺傳算法的快速收斂性來(lái)提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，其缺點(diǎn)在于當(dāng)目標(biāo)函數(shù)維數(shù)過(guò)大時(shí)容易陷入局部最優(yōu)。Xiao等[5]使用混合優(yōu)點(diǎn)（Hybrid Good Point， HGP）優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)，避免權(quán)值陷入局部最優(yōu)，但其對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化沒(méi)有達(dá)到最優(yōu)。Shu等[6]提出正交模擬褪火（Orthogonal Simulated Annealing， OSA）算法， 使用褪火算法和正交算法的優(yōu)點(diǎn)來(lái)同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，其算法收斂速度快、魯棒性好，缺點(diǎn)則在于計(jì)算代價(jià)較大。杜文莉等[7]提出了使用量子差分進(jìn)化（Cooperative Quantum Differential Evolution， CQGADE）算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值，使用量子遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和隱層節(jié)點(diǎn)數(shù)，算法綜合了量子遺傳算法和量子差分算法的優(yōu)點(diǎn)，收斂速度快，但其缺點(diǎn)在于需要同時(shí)協(xié)同兩種算法的優(yōu)化結(jié)果，算法復(fù)雜度較高，且容易陷入局部最優(yōu)。Tsai等[8]提出混合田口遺傳算法（Hybrid Taguchi Genetic Algorithm， HTGA），將傳統(tǒng)的GA與Taguchi方法結(jié)合起來(lái)，使得算法具有魯棒性好、收斂性快等優(yōu)點(diǎn)，但其缺點(diǎn)在于獲得最優(yōu)解的計(jì)算代價(jià)較大。

量子免疫克隆算法[9-12]（Quantum-inspired Immune Clonal Algorithm， QICA）也稱為量子遺傳算法（Quantum Genetic Algorithm， QGA），其將量子搜索機(jī)制和免疫算法克隆選擇原理相結(jié)合，利用量子編碼的疊加性和隨機(jī)性構(gòu)造抗體，利用遺傳算法的克隆操作產(chǎn)生原始種群和克隆子群實(shí)現(xiàn)種群擴(kuò)張，使搜索空間擴(kuò)大，提高了局部搜索能力；同時(shí)借助全干擾交叉操作避免陷入局部最優(yōu)。QICA采用了多狀態(tài)量子比特編碼方式和通用的量子旋轉(zhuǎn)門(mén)操作， 引入動(dòng)態(tài)調(diào)整旋轉(zhuǎn)角機(jī)制和量子交叉[11]。QICA在組合優(yōu)化問(wèn)題中具有良好的表現(xiàn)。

針對(duì)上述問(wèn)題，提出了使用量子克隆免疫算法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)值同時(shí)進(jìn)行優(yōu)化，通過(guò)產(chǎn)生具有一定稀疏度的連接權(quán)值對(duì)網(wǎng)絡(luò)隱層數(shù)量和連接權(quán)值進(jìn)行優(yōu)化，提高了算法的效率和收斂速度，避免了算法陷入局部最優(yōu)。

1 帶開(kāi)關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型

在經(jīng)典的神經(jīng)網(wǎng)絡(luò)理論中，網(wǎng)絡(luò)結(jié)構(gòu)在初始化后便不再變動(dòng)，僅通過(guò)權(quán)值的變化來(lái)計(jì)算產(chǎn)生結(jié)果，這種算法增加了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜性，在實(shí)際應(yīng)用中增加了計(jì)算結(jié)果的代價(jià)。Leung等[3-4]提出了帶開(kāi)關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)，通過(guò)調(diào)整開(kāi)關(guān)的通斷就能調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接數(shù)量，從而減少計(jì)算代價(jià)。帶開(kāi)關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型如圖1所示[7]。

2.2 權(quán)值計(jì)算及優(yōu)化方法

根據(jù)量子克隆免疫理論，將神經(jīng)網(wǎng)絡(luò)權(quán)值計(jì)算及優(yōu)化過(guò)程分為以下四個(gè)過(guò)程。

2.2.1 權(quán)值抗體初始化

量子克隆免疫算法是基于量子計(jì)算和遺傳算法組成的，其抗體的編碼方式采用量子比特編碼。一個(gè)抗體中的量子位的狀態(tài)是不確定的，可以為0或1，其狀態(tài)表示為式（5）：

3.1 算法復(fù)雜度分析

量子克隆免疫算法的實(shí)質(zhì)是通過(guò)量子理論的隨機(jī)特性提供豐富的種群數(shù)量，并通過(guò)使用遺傳算法對(duì)種群進(jìn)行淘汰和進(jìn)化，因此其算法的復(fù)雜度等于種群生成算法的復(fù)雜度：假設(shè)神經(jīng)網(wǎng)絡(luò)有x個(gè)輸入，其隱層節(jié)點(diǎn)數(shù)量為N，輸出為y，則網(wǎng)絡(luò)中的輸入與隱層節(jié)點(diǎn)間的連接權(quán)值ω的數(shù)量為：x*N，隱層節(jié)點(diǎn)與輸出層的連接權(quán)值v的數(shù)量為：N*y。種群生成需要對(duì)所有節(jié)點(diǎn)進(jìn)行權(quán)值初始化，并將隨機(jī)位置的n（nN）個(gè)節(jié)點(diǎn)的權(quán)值設(shè)置為0， 其算法復(fù)雜度為O（n2）。而克隆免疫算法在種群克隆及抗體選擇過(guò)程中使用遺傳算法，因此其算法的復(fù)雜度與傳統(tǒng)遺傳算法相同，其算法復(fù)雜度也為O（n2）。因此，使用量子免疫克隆的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的復(fù)雜度為O（n2）。

3.2 非線性函數(shù)逼近

選取復(fù)雜交互非線性函數(shù)（Complicated Interaction Function，CIF）：

其中0

選取樣本700組，其中500組用于訓(xùn)練，其余200組用于檢測(cè)性能。神經(jīng)網(wǎng)絡(luò)的初始隱層神經(jīng)元設(shè)置為20個(gè)，初始網(wǎng)絡(luò)結(jié)構(gòu)為：2-20-1，初始連接權(quán)值為隨機(jī)值。在此條件下驗(yàn)證不同稀疏度條件下對(duì)CIF的二維逼近效果如圖3所示。

圖3顯示隨著稀疏度的不斷降低，神經(jīng)網(wǎng)絡(luò)的逼近能力有所減弱，逼近誤差則逐漸增大。這主要是因?yàn)樯窠?jīng)網(wǎng)絡(luò)中的連接權(quán)值數(shù)量降低，造成神經(jīng)網(wǎng)絡(luò)的適應(yīng)性差。具體逼近效果見(jiàn)表2。

從表2中可以看出，隱層節(jié)點(diǎn)數(shù)量直接影響著神經(jīng)網(wǎng)絡(luò)的性能。高稀疏度條件下的計(jì)算量大，但逼近精度高；低稀疏度條件下的計(jì)算量小，但逼近精度較差。實(shí)驗(yàn)表明當(dāng)稀疏度大于0.6時(shí)，算法的逼近精度高于90%，優(yōu)化后的網(wǎng)絡(luò)具有較好的非線性逼近能力。當(dāng)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)量低于12時(shí)逼近精度大幅下降，說(shuō)明此時(shí)神經(jīng)網(wǎng)絡(luò)處理信息的能力也隨之大幅減弱，隱層節(jié)點(diǎn)的最合適的數(shù)量為12～14個(gè)，這也符合文獻(xiàn)[14]的實(shí)驗(yàn)結(jié)果。

圖4為不同稀疏度下，算法適應(yīng)度的收斂情況。可以看出量子克隆免疫算法具有很好的收斂特性，算法收斂速度很快，能夠在很短的進(jìn)化次數(shù)內(nèi)收斂至極值，且稀疏度越低，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值數(shù)量越少，算法收斂速度越低，最優(yōu)適應(yīng)度越差。

表3為相同條件下，不同算法的最優(yōu)計(jì)算結(jié)果，包括目標(biāo)分類的準(zhǔn)確度、隱藏層節(jié)點(diǎn)數(shù)量等?？梢钥闯?，當(dāng)稀疏度高于0.8時(shí)，本文算法收斂性和適應(yīng)度均優(yōu)于混沌粒子群（Chaotic Particle Swarm Optimization，CPSO）[15]、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）[16]、混合田口遺傳算法[Hybrid Taguchi-Genetic Algorithm，HTGA][8]等其他算法，說(shuō)明算法具有很好的收斂速度、尋優(yōu)精度和魯棒性。

3.3 微地震信號(hào)目標(biāo)分類

實(shí)驗(yàn)場(chǎng)地選擇在秦始皇兵馬俑博物館內(nèi)K9901號(hào)坑旁。所有傳感器節(jié)點(diǎn)沿公路一側(cè)直線部署，距離公路1m左右?？赡墚a(chǎn)生地震波的活動(dòng)物體包括人員行走、機(jī)動(dòng)車和挖掘活動(dòng)。將采集到的微地震信號(hào)進(jìn)行濾波、分幀、特征提取等處理后輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

系統(tǒng)對(duì)傳感器采集到的數(shù)據(jù)進(jìn)行分幀，并使用功率譜二次分析[17]算法對(duì)其進(jìn)行處理，最后將經(jīng)過(guò)預(yù)處理的數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類。根據(jù)其活動(dòng)特點(diǎn)，將輸出目標(biāo)分為三類：人員活動(dòng)、挖掘活動(dòng)以及機(jī)動(dòng)車輛活動(dòng)。傳感器采集到的三類活動(dòng)的經(jīng)典波形如圖5所示。

表6中給出了算法的最優(yōu)計(jì)算結(jié)果，包括不同稀疏度條件下神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)量、最優(yōu)適應(yīng)度以及分類準(zhǔn)確率等?？梢钥闯?，算法能夠有效減少冗余的隱藏層節(jié)點(diǎn)數(shù)量，并降低節(jié)點(diǎn)連接數(shù)量。算法的稀疏度越高，其適應(yīng)度越好，其分類的準(zhǔn)確性越好，但稀疏度高帶來(lái)的則是計(jì)算代價(jià)增大、計(jì)算復(fù)雜度增加。當(dāng)稀疏度低于0.7時(shí)，算法的適應(yīng)度變差，目標(biāo)的識(shí)別率為90%，在實(shí)際應(yīng)用過(guò)程中帶來(lái)了誤判率較高的問(wèn)題，降低了實(shí)用性。因此在秦始皇帝陵博物院野外文物安防系統(tǒng)中使用了稀疏度為0.7的算法對(duì)模式識(shí)別的神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

4 結(jié)語(yǔ)

本文提出了基于量子免疫克隆算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，該算法在訓(xùn)練神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)值的同時(shí)刪除了冗余連接和多余的隱層節(jié)點(diǎn)，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)權(quán)值的優(yōu)化。通過(guò)經(jīng)典非線性函數(shù)逼近和目標(biāo)識(shí)別檢驗(yàn)，算法能夠有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)，提高神經(jīng)網(wǎng)絡(luò)的優(yōu)化效率，減少計(jì)算復(fù)雜度。使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)已經(jīng)用于秦始皇帝陵博物院野外文物安防系統(tǒng)中。

參考文獻(xiàn)：

[1] QIAO H， ZHOU Y，SHAO N， et al. Software reliability prediction based on learning vector quantization neutral network[J]. Journal of Computer Applications， 2012，32（05）：1436-1438.）（喬輝，周雁舟，邵楠，等.基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的軟件可靠性預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2012，32（5）：1436-1438.）

[2] PAN Y， DENG Y， ZHANG Q， et al. Deterministic prediction of wavelet neural network model and its application[J]. Journal of Computer Applications，2013， 33（4）：1001-1005.（潘玉民，鄧永紅，張全柱，等.小波神經(jīng)網(wǎng)絡(luò)模型的確定性預(yù)測(cè)及應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2013，33（4）：1001-1005.）

[3] LEUNG H F，LAM H F， LING S F， et al. Tuning of the structure and parameters of neural network using an improved genetic algorithm[C]// Proceedings of the 27th Annual Conference of IEEE Industrial Electronics Society. Piscataway： IEEE，2001：25-30.

[4] LEUNG H F， LAM H F， LING S H， et al. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Transactions on Neural Network，2003，14（1）：79-88.

[5] XIAO C， CAI Z， WANG Y， et al. Tuning of the structure and parameters of a neural network using a good points set evolutionary strategy[C]// Proceedings of the 9th International Conference for Young Computer Scientists. Piscataway： IEEE， 2008：1749-1754.

[6] SHU L， HO S Y， HO S J. Tuning the structure and parameters of a neural network using an orthogonal simulated annealing algorithm[C]// Proceedings of the 2009 Joint Conferences on Pervasive Computing. Piscataway： IEEE，2009：789-792.

[7] DU W， ZHOU R， ZHOU L， et al. Cooperative quantum differential evolution algorithm based method for optimizing neural networks[J].Journal of Tsinghua University： Science and Technology， 2012，52（3）：331-335.（杜文莉，周仁，趙亮，等. 基于量子差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，52（3）：331-335.）

[8] TSAI J， CHOU J， LIU T. Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm[J]. IEEE Transactions on Neural Network， 2006，17（1）：69-80.

[9] LI Y， JIAO L. Quantum-inspired immune clonal algorithm and its application[C]// Proceedings of the 2007 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway： IEEE， 2007：670-673.

[10] JIAO L， LI Y， GONG M，et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man and Cybernetics， Part B： Cybernetics， 2008，38（5）：1234-1253.

[11] ZHOU C， QIAN F. Improvement of quantum genetic algorithm and its application[J]. Journal of Computer Applications， 2008，28（2）：286-288.（周傳華，錢(qián)峰.改進(jìn)量子遺傳算法及其應(yīng)用[J].計(jì)算機(jī)應(yīng)用， 2008，28（2）：286-288）

[12] ZHOU Q， JIANG S， ZHAO X， et al. Improved quantum genetic algorithm and its application in test data generation[J]. Journal of Computer Applications，2012，32（2）：557-560.（周綺，姜淑娟，趙雪峰，等.改進(jìn)的量子遺傳算法及其在測(cè)試數(shù)據(jù)生成中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2012，32（2）：557-560.）

[13] QIAO J，LEE Y G， SCOTT D S， et al. Self-organizing radial basis function network for real-time approximation of continuous-time dynamical systems[J]. IEEE Transactions on Neural Networks，2008，19（3）：460-474.

[14] HAN H， QIAO J， BO Y， et al. On structure design for RBF neural network based on information strength[J]. Acta Automatica Sinica， 2012，38（7）：1083-1090.（韓紅桂，喬俊飛，薄迎春，等.基于信息強(qiáng)度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)研究[J].自動(dòng)化學(xué)報(bào)， 2012，38（7）：1083-1090.）

[15] ZHAO L. Fuzzy identification and neural networks learning based on cooperative PSO algorithm[D]. Shanghai： Shanghai Jiao Tong University，2008.（趙亮.基于協(xié)同PSO算法的模糊辨識(shí)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)[D].上海：上海交通大學(xué)，2008.）

第7篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

關(guān)鍵詞：微地震；震源探測(cè)；遺傳算法；BP人工神經(jīng)網(wǎng)絡(luò)法

中圖分類號(hào)：P315 文獻(xiàn)標(biāo)識(shí)碼：A

微地震屬于一種小型地震，經(jīng)常發(fā)生在地下礦井深部開(kāi)采過(guò)程中的一種不可避免的現(xiàn)象。在20世紀(jì)80年代中期發(fā)展起來(lái)的微震探測(cè)技術(shù)源于聲發(fā)射學(xué)和地震學(xué)，是區(qū)別于常規(guī)地震的地球物理勘探技術(shù)，根據(jù)聲發(fā)射檢測(cè)技術(shù)演化發(fā)展起來(lái)，主要應(yīng)用于油氣工業(yè)中。而探測(cè)可以導(dǎo)致微地震的地質(zhì)活動(dòng)，有著重大的現(xiàn)實(shí)意義和指導(dǎo)意義。

1 物探技術(shù)研究進(jìn)展

20世紀(jì)70年代初期，為了確認(rèn)開(kāi)發(fā)井的目標(biāo)和敘述輔助的斷裂層，水力壓裂微震探測(cè)技術(shù)始于地?zé)犷I(lǐng)域。70年代末，美國(guó)Los Alamos國(guó)家實(shí)驗(yàn)室在Fenten山熱干巖進(jìn)行了3年的井下微震觀測(cè)研究的現(xiàn)場(chǎng)實(shí)驗(yàn)，驗(yàn)證了水力裂縫的方位可以通過(guò)水力壓裂時(shí)產(chǎn)生的水平微震來(lái)確定。90年代以后，荷蘭飛利浦、加拿大金斯敦ESG組織、英國(guó)KEELE大學(xué)、日本JAPEX研究生中心等機(jī)構(gòu)對(duì)于微震檢測(cè)技術(shù)在油氣工業(yè)中的應(yīng)用提供了較多的理論與實(shí)驗(yàn)支撐。國(guó)內(nèi)關(guān)于微震探測(cè)技術(shù)的研發(fā)相對(duì)較晚，但近年來(lái)，從基礎(chǔ)理論研究和自主研發(fā)方面都取得了很大的成果。在基礎(chǔ)理論研究方面，相繼提出了瑞雷波頻散曲線的正反演、遺傳算法和局域搜索算法的聯(lián)合反演、射線追蹤法以及濾波技術(shù)等研究方法。在自主研發(fā)方面，主要有微震探測(cè)系統(tǒng)、基于三分量檢波器的探測(cè)系統(tǒng)、遙測(cè)地震儀和基于Labview的微震探測(cè)系統(tǒng)等。

2 探測(cè)技術(shù)研究方法

2.1 射線追蹤正演算法

本文主要通過(guò)基于射線法進(jìn)行正演研究。射線法，可以利用不斷更新的射線路徑，對(duì)各種復(fù)雜的地質(zhì)結(jié)構(gòu)選擇地震波在介質(zhì)中的最佳運(yùn)動(dòng)軌跡。同時(shí)，迭代法可以通過(guò)結(jié)點(diǎn)的增減，來(lái)完成地震波傳播路徑的探測(cè)工作。綜合微變網(wǎng)格法，經(jīng)過(guò)設(shè)計(jì)得到復(fù)雜模型微震射線路徑追蹤法。

2.2 非線性反演算法

在探測(cè)過(guò)程中，非線性最優(yōu)算法發(fā)展最為迅速，需要通過(guò)微震資料的反演來(lái)定位震源和了解速度場(chǎng)變化。非線性反演方法中應(yīng)用最廣泛的主要有遺傳算法（GA，Genetic Algorithm）和人工神經(jīng)網(wǎng)絡(luò)法（ANN，Artificial Neural Network）方法中的BP神經(jīng)網(wǎng)絡(luò)。本文將GA算法和BP算法結(jié)合，通過(guò)聯(lián)合反演方法討論微震震源的定位反演。

2.2.1 遺傳算法反演

遺傳算法，是一種全局最優(yōu)算法，可以結(jié)合定向和隨機(jī)搜索方法，是模擬達(dá)爾文生物進(jìn)化論的自然選擇與遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程和機(jī)制的計(jì)算模型。1975年，J. Holland教授提出了遺傳算法。目前，遺傳算法發(fā)展完善，有著搜索過(guò)程多維化、簡(jiǎn)單化、適應(yīng)性強(qiáng)以及全局性的特點(diǎn)。通過(guò)對(duì)遺傳算法、加速收斂和正演參數(shù)的確定，明確介質(zhì)模型參數(shù)的搜索范圍，最后對(duì)遺傳算法獲取的反演數(shù)據(jù)進(jìn)行處理。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)算法反演

二十世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了一個(gè)新。它易于處理復(fù)雜非線性問(wèn)題，具有持久性和適時(shí)預(yù)報(bào)性的特點(diǎn)，被廣泛應(yīng)用于多個(gè)領(lǐng)域。其中，BP人工神經(jīng)網(wǎng)絡(luò)（BP，Back Propagation），是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是可以計(jì)算單個(gè)權(quán)值變化引起網(wǎng)絡(luò)性能變化值的較為簡(jiǎn)單的方法，在地球物理勘測(cè)方面發(fā)揮了重大作用。BP神經(jīng)網(wǎng)絡(luò)反演方法的主要步驟分為兩部分，分別為學(xué)習(xí)訓(xùn)練和迭代反演。

2.2.3 GA-BP聯(lián)合反演方法

GA算法與BP算法的混合，可以結(jié)合全局最優(yōu)算法和局部最優(yōu)算法的優(yōu)點(diǎn)，彌補(bǔ)對(duì)方的缺點(diǎn)，使其交叉變異率具備自學(xué)習(xí)、自適應(yīng)等特征，并且能夠快捷、有效的獲取最優(yōu)解，提供神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。進(jìn)行GA算法和BP算法的聯(lián)合反演，二者需持續(xù)運(yùn)行，并且按照一定的比例進(jìn)行。圖1為基于混合算法的微地震震源定位反演算法流程。

3 研究展望

發(fā)展基于遺傳算法的全局混合優(yōu)化算法已成為新的發(fā)展趨勢(shì)。而對(duì)于非線性反演，尤其是面對(duì)地球物理資料聯(lián)合反演，通過(guò)算法指揮由不同反演方法和迭代過(guò)程組織成系統(tǒng)，使之輸出分辨率最優(yōu)而方差最小的地球物理介質(zhì)模型，是其非常重要的研究方向。

參考文獻(xiàn)

[1]李瓊，李勇，李正文，吳朝容.基于GA-BP理論的儲(chǔ)層視裂縫密度地震非線性反演方法[J].地球物理學(xué)進(jìn)展，2006，21（02）：465-471.

第8篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

種趨勢(shì)。為了幫助用戶動(dòng)態(tài)擇出最能滿足用戶需求的Web服務(wù)，本文提出一個(gè)基于Web Service 服務(wù)質(zhì)量的預(yù)測(cè)建模，通過(guò)動(dòng)態(tài)的預(yù)測(cè)Web服務(wù)下一階段服務(wù)質(zhì)量來(lái)幫助用戶選擇最優(yōu)服務(wù)。

關(guān)鍵詞 Web服務(wù)；QoS預(yù)測(cè)；建模

中圖分類號(hào)TP39 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào) 1674-6708（2012）78-0193-02

1 背景

隨著Web服務(wù)的發(fā)展，Web服務(wù)技術(shù)已從最初的理論實(shí)驗(yàn)階段逐步走向了大規(guī)模的商業(yè)應(yīng)用階段（如亞馬遜，微軟等公司），這樣的結(jié)果就是網(wǎng)絡(luò)上出現(xiàn)了大量功能相同或相似的Web服務(wù)。而這些類似的Web服務(wù)，往往具有不同的諸如穩(wěn)定性、響應(yīng)時(shí)間、可靠性等非功能性屬性。這也使得我們?cè)谶x擇這些Web服務(wù)時(shí)，就必須考慮他們的非功能性屬性，即服務(wù)質(zhì)量（QoS，Quality of Service）。用戶在面對(duì)網(wǎng)絡(luò)上海量的Web服務(wù)，特別是面對(duì)這些功能上相同或相似的候選服務(wù)時(shí)，如何動(dòng)態(tài)地選擇出最能滿足用戶需求的服務(wù)已經(jīng)成為Web服務(wù)發(fā)現(xiàn)與選擇以及組合領(lǐng)域中的一個(gè)核心問(wèn)題。面對(duì)動(dòng)態(tài)最優(yōu)服務(wù)選擇問(wèn)題，在功能匹配前提上，考慮Web服務(wù)的服務(wù)質(zhì)量是一個(gè)行之有效的解決途徑。

我們根據(jù)Web服務(wù)質(zhì)量來(lái)動(dòng)態(tài)選擇服務(wù)時(shí)，就必須對(duì)Web服務(wù)的服務(wù)質(zhì)量進(jìn)行準(zhǔn)確的評(píng)估預(yù)測(cè)。我們知道，互聯(lián)網(wǎng)具有不穩(wěn)定性、網(wǎng)絡(luò)延時(shí)，抖動(dòng)等特性，因而Web服務(wù)的服務(wù)質(zhì)量是動(dòng)態(tài)變化的?，F(xiàn)提出的一些Web服務(wù)質(zhì)量評(píng)估方法在服務(wù)質(zhì)量評(píng)估過(guò)程中沒(méi)有充分考慮服務(wù)質(zhì)量的動(dòng)態(tài)變化，沒(méi)有建立一個(gè)比較合適合對(duì)服務(wù)質(zhì)量進(jìn)行動(dòng)態(tài)評(píng)估的評(píng)估機(jī)制，不能達(dá)到對(duì)服務(wù)的表現(xiàn)進(jìn)行準(zhǔn)確預(yù)測(cè)的效果。為了克服這一局限性，本文提出了一種利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)服務(wù)質(zhì)量進(jìn)行動(dòng)態(tài)預(yù)測(cè)的評(píng)估方法。在此強(qiáng)調(diào)一下，本文中提出的預(yù)測(cè)評(píng)估是對(duì)服務(wù)質(zhì)量中反映服務(wù)表現(xiàn)的動(dòng)態(tài)客觀屬性（如響應(yīng)時(shí)間，可靠性，可用性等）進(jìn)行預(yù)測(cè)。

2 Web Service 服務(wù)質(zhì)量預(yù)測(cè)模型

2.1 服務(wù)質(zhì)量預(yù)測(cè)模型介紹

BP（Back Propagation）網(wǎng)絡(luò)是由Rumelhart和McCelland為首的科學(xué)家小組于1986年提出的一種神經(jīng)網(wǎng)絡(luò)算法，具有信號(hào)向前傳遞，誤差反向傳播的特性。利用該特性結(jié)合使用大量的訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，即得到一個(gè)具有最優(yōu)權(quán)值和閾值的神經(jīng)網(wǎng)絡(luò)。遺傳算法是由J.Holland教授于1975年首先提出來(lái)的一種神經(jīng)網(wǎng)絡(luò)算法。它的最大特征就是模擬達(dá)爾文進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理，實(shí)現(xiàn)“優(yōu)勝劣汰，適者生存”，從而得到優(yōu)解。遺傳算法的核心就是把“優(yōu)勝劣汰，適者生存”的進(jìn)化論理論應(yīng)用到算法里面的具體參數(shù)當(dāng)中。它將初始的群體進(jìn)行編碼，個(gè)體之間進(jìn)行交叉和變異操作，然后按照適應(yīng)度函數(shù)對(duì)群體中的個(gè)體進(jìn)行篩選，實(shí)現(xiàn)優(yōu)勝劣汰。

本文提出的預(yù)測(cè)模型就是遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)總體可以分為三步：第一步，利用BP神經(jīng)網(wǎng)絡(luò)來(lái)確定網(wǎng)絡(luò)結(jié)構(gòu)，確切來(lái)說(shuō)是根據(jù)擬合函數(shù)的輸入輸出參數(shù)個(gè)數(shù)來(lái)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而確定遺傳算法中個(gè)體的編碼長(zhǎng)度；第二步，利用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)，即使用遺傳算法來(lái)不斷優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，我們?cè)诰幋a時(shí)設(shè)置種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)中所有的權(quán)值和閾值，個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度值，遺傳算法通過(guò)選擇，交叉和編譯操作找到最優(yōu)適應(yīng)度值的個(gè)體；最后是用前面得到的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)來(lái)做Web服務(wù)服務(wù)質(zhì)量預(yù)測(cè)，以Web服務(wù)的歷史QoS數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過(guò)網(wǎng)絡(luò)的計(jì)算得到我們所需的QoS預(yù)測(cè)值，為Web服務(wù)的選擇提供依據(jù)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程如圖1所示。

2.2 仿真實(shí)驗(yàn)

為了驗(yàn)證本文提出的Web Service服務(wù)質(zhì)量預(yù)測(cè)算法，我們將采用由Zibin Zheng 和Michael R. Lyu提供的WS-DREAM dataset，這些數(shù)據(jù)是由他們以調(diào)研大量現(xiàn)實(shí)Web Service為基礎(chǔ)采集而得，在Web服務(wù)QoS領(lǐng)域具有很大的說(shuō)服力與權(quán)威性。我們將采用數(shù)據(jù)集中的響應(yīng)時(shí)間（response time）來(lái)做本次仿真實(shí)驗(yàn)。在實(shí)驗(yàn)中，我們?nèi)ataset中id為1992的Web Service的響應(yīng)時(shí)間實(shí)驗(yàn)數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層2個(gè)節(jié)點(diǎn)，隱含層5個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)，共有2×5+5×1=15個(gè)權(quán)值，5+1=6個(gè)閾值，因此我們可以確定遺傳算法中個(gè)體的編碼長(zhǎng)度為15+6=21.取id為1992的Web Service響應(yīng)時(shí)間的前200個(gè)數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，剩余作為測(cè)試數(shù)據(jù)。我們把訓(xùn)練數(shù)據(jù)預(yù)測(cè)誤差絕對(duì)值和作為個(gè)體適應(yīng)度值，個(gè)體適應(yīng)度值越小，該個(gè)體越優(yōu)。截取實(shí)驗(yàn)測(cè)試結(jié)果示圖如圖2。

3 結(jié)論

互聯(lián)網(wǎng)具有不穩(wěn)定性、網(wǎng)絡(luò)延時(shí)，抖動(dòng)等特性，因而Web服務(wù)的服務(wù)質(zhì)量是動(dòng)態(tài)變化的。這在一定程度上影響了我們基于服務(wù)質(zhì)量來(lái)發(fā)現(xiàn)服務(wù)，選擇服務(wù)和組合服務(wù)。本文正是在這種背景下，結(jié)合BP神經(jīng)網(wǎng)絡(luò)與遺傳算法提出了一種基于服務(wù)質(zhì)量預(yù)測(cè)的Web服務(wù)動(dòng)態(tài)選擇方法，并詳細(xì)介紹了基于QoS預(yù)測(cè)服務(wù)質(zhì)量預(yù)測(cè)模型，最后利用鄭子彬提供的真實(shí)Web服務(wù)QoS數(shù)據(jù)做實(shí)驗(yàn)驗(yàn)證前面提出的算法。下一步工作將繼續(xù)完善服務(wù)質(zhì)量預(yù)測(cè)模型，并將該預(yù)測(cè)模型應(yīng)用于我們973項(xiàng)目組自己開(kāi)發(fā)一個(gè)Web服務(wù)平臺(tái)之中。

參考文獻(xiàn)

[1]Zibin Zheng， Hao Ma， Michael R.Lyu， Irwin King， "WSRec： A Collaborative Filtering based Web Service Recommender System"， in Proceedings of the 7th IEEE International Conference on Web Services （ICWS2009）， Los Angeles， CA， USA， July 6-10， 2009.

第9篇：神經(jīng)網(wǎng)絡(luò)遺傳算法范文

關(guān)鍵詞：期貨價(jià)格預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)遺傳算法

引言及文獻(xiàn)綜述

20世紀(jì)以來(lái)，我國(guó)期貨市場(chǎng)得到了長(zhǎng)足發(fā)展，但相對(duì)而言，由于我國(guó)期貨市場(chǎng)仍處于低級(jí)階段，市場(chǎng)操縱嚴(yán)重，投資者投資理念不科學(xué)等問(wèn)題使市場(chǎng)風(fēng)險(xiǎn)事件不斷發(fā)生，直接阻礙了中國(guó)期貨市場(chǎng)走向成熟。諸多風(fēng)險(xiǎn)事件歸根結(jié)蒂，就是期貨價(jià)格的波動(dòng)問(wèn)題，故分析與預(yù)測(cè)期貨價(jià)格變化趨勢(shì)自然成為期貨市場(chǎng)風(fēng)險(xiǎn)控制研究的重中之重，與此同時(shí)，了解期貨價(jià)格走勢(shì)也有助于幫助投資者降低風(fēng)險(xiǎn)、提高收益，實(shí)現(xiàn)金融市場(chǎng)的整體穩(wěn)定與協(xié)調(diào)。

國(guó)外期貨市場(chǎng)起步較早，在期貨市場(chǎng)預(yù)測(cè)的研究和實(shí)踐方面開(kāi)展了大量有價(jià)值的工作,Shaikh A.Hamid，Zahid Iqba（2004）用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)標(biāo)普500指數(shù)期貨價(jià)格的波動(dòng)；Shahriar Yousefi，Ilna Weinreich等（2005）提出一種基于小波變換的預(yù)測(cè)程序并用來(lái)對(duì)原油期貨進(jìn)行預(yù)測(cè)。在我國(guó)，學(xué)者們也試圖通過(guò)計(jì)量模型對(duì)期貨價(jià)格進(jìn)行預(yù)測(cè)：張方杰、胡燕京（2005）的ARMA模型，王習(xí)濤（2005）的ARIMA模型，劉軼芳、遲國(guó)泰（2006）的GARCH―EWMA的期貨價(jià)格預(yù)測(cè)模型、楊熙亮、朱東華、劉怡菲（2006）的BP神經(jīng)網(wǎng)絡(luò)模型等都在期貨價(jià)格預(yù)測(cè)中得到應(yīng)用。

總結(jié)國(guó)內(nèi)外對(duì)期貨價(jià)格的預(yù)測(cè)研究，可以發(fā)現(xiàn)對(duì)期貨的預(yù)測(cè)存在一系列問(wèn)題，比如：期貨數(shù)據(jù)具有高噪聲；各因素之間的相關(guān)性錯(cuò)綜復(fù)雜；期貨價(jià)格具有非線性特征等等。在這種情況下，人工神經(jīng)網(wǎng)絡(luò)方法就顯示出其特有的優(yōu)勢(shì)，因此本文選擇了BP網(wǎng)絡(luò)模型作為期貨短期預(yù)測(cè)的基本因果模型，并根據(jù)實(shí)際應(yīng)用的需要做了創(chuàng)造性的改進(jìn)。

實(shí)證分析

1.變量的選取及數(shù)據(jù)來(lái)源

本文選擇大連商品交易所的大豆期貨合約為研究對(duì)象，作為比較穩(wěn)定的交易品種，它的走勢(shì)一定程度上可以反映所在交易所的交易狀況，對(duì)它的預(yù)測(cè)情況在一定程度上也可以反映對(duì)其交易所其他期貨預(yù)測(cè)的可行性。綜合考慮數(shù)據(jù)可得性、完整性等因素，本文選取2009年1月5日~10月29日的大豆期貨主力A1001合約共200個(gè)交易數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，10月30日~11月12日的10個(gè)數(shù)據(jù)為測(cè)試數(shù)據(jù)。數(shù)據(jù)來(lái)源于大連商品交易所。

由于期貨價(jià)格變化受許多因素的影響，為了盡可能提高預(yù)測(cè)的準(zhǔn)確性，輸入變量選擇為當(dāng)日開(kāi)盤(pán)價(jià)、當(dāng)日最高價(jià)、當(dāng)天最低價(jià)、當(dāng)日收盤(pán)價(jià)、結(jié)算價(jià)、當(dāng)日成交量、成交金額以及當(dāng)日持倉(cāng)量，總共8個(gè)輸入量。

2. BP神經(jīng)網(wǎng)絡(luò)模型的建立及實(shí)現(xiàn)

誤差反傳模型（BP神經(jīng)網(wǎng)絡(luò)模型）可任意逼近非線性函數(shù)，其運(yùn)行過(guò)程分為信號(hào)的正向傳播和誤差的反向傳播兩階段：第一階段，將樣本從輸入層傳入，經(jīng)各隱層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入第二階段，將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，并以此來(lái)修正各單元權(quán)值。

根據(jù)kolmogorov定理，一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)足以完成任意的n維到m維的映射，即一般只需要采用一個(gè)隱層就足夠。隱層節(jié)點(diǎn)個(gè)數(shù)本文采用試湊法確定為20個(gè)。為使提高訓(xùn)練精度，本文將初始學(xué)習(xí)率定為0.05，并采用自適應(yīng)調(diào)節(jié)學(xué)習(xí)率功能，在以后的訓(xùn)練過(guò)程中根據(jù)訓(xùn)練誤差來(lái)自動(dòng)調(diào)節(jié)學(xué)習(xí)率。同時(shí)，本文選取連續(xù)可微的S型正切函數(shù)即tansig函數(shù)作為傳導(dǎo)函數(shù)，該函數(shù)的可微分性與飽和非線性特性，增強(qiáng)了網(wǎng)絡(luò)的非線性映射能力。

依據(jù)以上模型與參數(shù)設(shè)定，在matlab中予以實(shí)現(xiàn)，結(jié)果圖1所示，從圖中可以看出，對(duì)大豆期貨價(jià)格預(yù)測(cè)的走勢(shì)是大致相同的，但是整體誤差較大。雖然利用自適應(yīng)調(diào)節(jié)學(xué)習(xí)率來(lái)改善收斂情況，但梯度下降的BP算法仍存在較大的局限性。為了改善神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整，所以用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

3.模型的改進(jìn)及實(shí)現(xiàn)

遺傳算法是一種全局優(yōu)化搜索算法，其基本思想是首先將問(wèn)題求解表示成基因型，通過(guò)選擇，交叉，變異從中選取適應(yīng)環(huán)境的個(gè)體，求得問(wèn)題最優(yōu)解，有較好的全局搜索性能。將遺傳算法運(yùn)用到神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了兩者的優(yōu)勢(shì)互補(bǔ)，發(fā)揮了神經(jīng)網(wǎng)絡(luò)的廣泛映射能力和遺傳算法的全局搜索能力，也加快了網(wǎng)絡(luò)的學(xué)習(xí)速度，綜合提高了整個(gè)學(xué)習(xí)過(guò)程中模型的逼近能力和泛化能力。

在MATLAB中運(yùn)行結(jié)果如圖2所示，從中可以看出，加入遺傳算法對(duì)權(quán)值和閾值進(jìn)行優(yōu)化以后的GA-BP模型結(jié)果能更好的貼近真實(shí)值，更準(zhǔn)確的擬合。在本例中GA-BP模型的優(yōu)勢(shì)突出的表現(xiàn)在收斂速度快，周期短上面。相對(duì)于傳統(tǒng)的BP算法減少了權(quán)值閾值初始化的隨機(jī)性，GA-BP就可以大大縮短收斂時(shí)間。收斂情況如表1所示：

表中以前200次迭代為例，遺傳算法可以將mse縮減到e-5數(shù)量級(jí)，而簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)卻只能達(dá)到e-3，并且迭代的后期下降的幅度越來(lái)越不明顯。

結(jié)論

基于BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)證分析，從預(yù)測(cè)的結(jié)果來(lái)看，預(yù)測(cè)值和實(shí)際值的走勢(shì)是一致的，但預(yù)測(cè)值和實(shí)際值具有較大的偏差，這是由于BP神經(jīng)網(wǎng)絡(luò)自身存在的問(wèn)題所導(dǎo)致的。

為解決BP神經(jīng)網(wǎng)絡(luò)模型不能精確預(yù)測(cè)的價(jià)格的問(wèn)題，考慮到是由于BP算法調(diào)整權(quán)值的局限性，本文用遺傳算法進(jìn)行優(yōu)化模型。利用遺傳算法可以對(duì)權(quán)值進(jìn)行全局搜索，避免了BP算法的局限性。從結(jié)果來(lái)看，預(yù)測(cè)值和實(shí)際值誤差較小，能夠精確的預(yù)測(cè)期貨價(jià)格。