基于遺傳算法的神經(jīng)網(wǎng)絡的仿真設計.doc
約44頁DOC格式手機打開展開
基于遺傳算法的神經(jīng)網(wǎng)絡的仿真設計,本文共計44頁，17921字； 摘 要小波變換具有時域局部特性和變焦特性，而神經(jīng)網(wǎng)絡具有自學習、自適應、魯棒性、容錯性和推廣能力。把兩者的優(yōu)勢結合起來形成了小波網(wǎng)絡（wavelet neural network, wnn）。小波神經(jīng)網(wǎng)絡是由小波理論支持的一種特殊的前向控制神經(jīng)網(wǎng)絡，兼有小...
內(nèi)容介紹
此文檔由會員 霜天盈月 發(fā)布
基于遺傳算法的神經(jīng)網(wǎng)絡的仿真設計
本文共計44頁，17921字；
摘 要
小波變換具有時域局部特性和變焦特性，而神經(jīng)網(wǎng)絡具有自學習、自適應、魯棒性、容錯性和推廣能力。把兩者的優(yōu)勢結合起來形成了小波網(wǎng)絡（Wavelet Neural Network, WNN）。小波神經(jīng)網(wǎng)絡是由小波理論支持的一種特殊的前向控制神經(jīng)網(wǎng)絡，兼有小波變換和神經(jīng)網(wǎng)絡兩者的優(yōu)勢，是近似計算和預測領域廣泛流行的工具。遺傳算法和人工神經(jīng)網(wǎng)絡作為兩個工具在眾多的研究領域得到了廣泛的應用，遺傳算法和神經(jīng)網(wǎng)絡本身也得到很大發(fā)展。遺傳算法體現(xiàn)了生物進化中的四個要素，即繁殖、變異、競爭和自然選擇。在本篇論文，用遺傳算法來構建和訓練小波神經(jīng)網(wǎng)絡，以此來近似計算和進行預測。本文提出的遺傳算法利用分級染色體對小波神經(jīng)網(wǎng)絡的結構和權值進行編碼，遺傳算法聯(lián)合進化規(guī)則來構建和訓練小波神經(jīng)網(wǎng)絡，同時對網(wǎng)絡進行進化。最后用訓練后得到的小波神經(jīng)網(wǎng)絡用于函數(shù)近似，體現(xiàn)小波神經(jīng)網(wǎng)絡良好的近似功能。
關鍵詞 小波變換，小波神經(jīng)網(wǎng)絡，遺傳算法，函數(shù)近似
Abstract
Wavelet Neural Network, WNN）The wavelet network has been introduced as a special feed-forward neural network supported by the wavelet theory,and has become a popular tool in the approximation algorithm,which combines the wavelet theory and feed-forward neural netword.. As two kinds of tools , genetic algorithms( GA )and artificial neural network get wide applications in many research areas,and there are many variation in thenselve. Genetic algorithms shows four elements of biologic evolution :
目 錄
摘 要 I
Abstract II
第1章 緒論 1
1.1 課題背景 1
1.2 遺傳算法的起源和發(fā)展 1
1.3 小波神經(jīng)網(wǎng)絡的起源和發(fā)展 2
1.4 遺傳算法在神經(jīng)網(wǎng)絡中的應用 2
1.5本文的主要研究內(nèi)容 3
第2章 遺傳算法的相關理論 3
2.1引言 3
2.2遺傳算法簡介 4
2.3 遺傳算法的基本原理與方法 5
2.3.1 編碼 5
2.3.2 選擇 6
2.3.3 交叉 8
2.3.4 變異 9
2.3.5 適應度函數(shù) 9
2.3.6 控制參數(shù)選擇 10
2.4簡單函數(shù)優(yōu)化的實例 12
2.5本章小結 14
第3章 小波神經(jīng)網(wǎng)絡 15
3.1人工神經(jīng)網(wǎng)絡 15
3.1.1激活轉移函數(shù) 15
3.1.2前向神經(jīng)網(wǎng)絡 16
3.2小波神經(jīng)網(wǎng)絡 16
3.2.1小波變換 17
3.2.2小波神經(jīng)網(wǎng)絡 18
3.2.3小波神經(jīng)網(wǎng)絡的構建和學習 19
3.3小波神經(jīng)網(wǎng)絡與常規(guī)神經(jīng)網(wǎng)絡的比較 22
3.4本章小結 22
第4章 基于遺傳算法的小波網(wǎng)絡的構建 23
4.1簡介神經(jīng)網(wǎng)絡的訓練 24
4.1.1網(wǎng)絡聯(lián)結權重的進化訓練 24
4.1.2 網(wǎng)絡結構的進化設計 24
4.2 層次染色體 25
4.3基于階層染色體的遺傳進化算法的設計 27
4.3.1設定初值 28
4.3.2 性能評估 28
4.3.3遺傳算子 29
第5章 仿真過程和結果分析 31
5.1 函數(shù)逼近實驗 31
5.2仿真結果和實驗分析 32
結 論 34
參考文獻 35
致謝 37
畢業(yè)設計（論文）成績評定表 38
部分參考文獻
1． Yao X. A review of evolutionary artificial neural networks[J]. International Journal of Intelligent Systems, 1993, 8: 539 ～ 567
2． Peter J A, etal. An evolutionary algorithm that constructs recurrent neural networks[J]. IEEE Trans Neural Networks, 1994, 5(1): 54～65
3． Koza J R, Rice J P. Genetic generation of both the weights and architure for a neural network. International Joint Conference on Neuralworks, IJCNN -91-Seattle, 1991: 397～404
4．王小平，曹立明.遺傳算法——理論、應用與軟件實現(xiàn).西安.西安交通大學出版社，2002.2,10～14、87～95
5．王洪元，史國棟.人工神經(jīng)網(wǎng)絡技術及其應用.北京.中國石化出版社.2002.10，71～91
本文共計44頁，17921字；
摘 要
小波變換具有時域局部特性和變焦特性，而神經(jīng)網(wǎng)絡具有自學習、自適應、魯棒性、容錯性和推廣能力。把兩者的優(yōu)勢結合起來形成了小波網(wǎng)絡（Wavelet Neural Network, WNN）。小波神經(jīng)網(wǎng)絡是由小波理論支持的一種特殊的前向控制神經(jīng)網(wǎng)絡，兼有小波變換和神經(jīng)網(wǎng)絡兩者的優(yōu)勢，是近似計算和預測領域廣泛流行的工具。遺傳算法和人工神經(jīng)網(wǎng)絡作為兩個工具在眾多的研究領域得到了廣泛的應用，遺傳算法和神經(jīng)網(wǎng)絡本身也得到很大發(fā)展。遺傳算法體現(xiàn)了生物進化中的四個要素，即繁殖、變異、競爭和自然選擇。在本篇論文，用遺傳算法來構建和訓練小波神經(jīng)網(wǎng)絡，以此來近似計算和進行預測。本文提出的遺傳算法利用分級染色體對小波神經(jīng)網(wǎng)絡的結構和權值進行編碼，遺傳算法聯(lián)合進化規(guī)則來構建和訓練小波神經(jīng)網(wǎng)絡，同時對網(wǎng)絡進行進化。最后用訓練后得到的小波神經(jīng)網(wǎng)絡用于函數(shù)近似，體現(xiàn)小波神經(jīng)網(wǎng)絡良好的近似功能。
關鍵詞 小波變換，小波神經(jīng)網(wǎng)絡，遺傳算法，函數(shù)近似
Abstract
Wavelet Neural Network, WNN）The wavelet network has been introduced as a special feed-forward neural network supported by the wavelet theory,and has become a popular tool in the approximation algorithm,which combines the wavelet theory and feed-forward neural netword.. As two kinds of tools , genetic algorithms( GA )and artificial neural network get wide applications in many research areas,and there are many variation in thenselve. Genetic algorithms shows four elements of biologic evolution :
目 錄
摘 要 I
Abstract II
第1章 緒論 1
1.1 課題背景 1
1.2 遺傳算法的起源和發(fā)展 1
1.3 小波神經(jīng)網(wǎng)絡的起源和發(fā)展 2
1.4 遺傳算法在神經(jīng)網(wǎng)絡中的應用 2
1.5本文的主要研究內(nèi)容 3
第2章 遺傳算法的相關理論 3
2.1引言 3
2.2遺傳算法簡介 4
2.3 遺傳算法的基本原理與方法 5
2.3.1 編碼 5
2.3.2 選擇 6
2.3.3 交叉 8
2.3.4 變異 9
2.3.5 適應度函數(shù) 9
2.3.6 控制參數(shù)選擇 10
2.4簡單函數(shù)優(yōu)化的實例 12
2.5本章小結 14
第3章 小波神經(jīng)網(wǎng)絡 15
3.1人工神經(jīng)網(wǎng)絡 15
3.1.1激活轉移函數(shù) 15
3.1.2前向神經(jīng)網(wǎng)絡 16
3.2小波神經(jīng)網(wǎng)絡 16
3.2.1小波變換 17
3.2.2小波神經(jīng)網(wǎng)絡 18
3.2.3小波神經(jīng)網(wǎng)絡的構建和學習 19
3.3小波神經(jīng)網(wǎng)絡與常規(guī)神經(jīng)網(wǎng)絡的比較 22
3.4本章小結 22
第4章 基于遺傳算法的小波網(wǎng)絡的構建 23
4.1簡介神經(jīng)網(wǎng)絡的訓練 24
4.1.1網(wǎng)絡聯(lián)結權重的進化訓練 24
4.1.2 網(wǎng)絡結構的進化設計 24
4.2 層次染色體 25
4.3基于階層染色體的遺傳進化算法的設計 27
4.3.1設定初值 28
4.3.2 性能評估 28
4.3.3遺傳算子 29
第5章 仿真過程和結果分析 31
5.1 函數(shù)逼近實驗 31
5.2仿真結果和實驗分析 32
結 論 34
參考文獻 35
致謝 37
畢業(yè)設計（論文）成績評定表 38
部分參考文獻
1． Yao X. A review of evolutionary artificial neural networks[J]. International Journal of Intelligent Systems, 1993, 8: 539 ～ 567
2． Peter J A, etal. An evolutionary algorithm that constructs recurrent neural networks[J]. IEEE Trans Neural Networks, 1994, 5(1): 54～65
3． Koza J R, Rice J P. Genetic generation of both the weights and architure for a neural network. International Joint Conference on Neuralworks, IJCNN -91-Seattle, 1991: 397～404
4．王小平，曹立明.遺傳算法——理論、應用與軟件實現(xiàn).西安.西安交通大學出版社，2002.2,10～14、87～95
5．王洪元，史國棟.人工神經(jīng)網(wǎng)絡技術及其應用.北京.中國石化出版社.2002.10，71～91
