学位论文 > 优秀研究生学位论文题录展示

基因表达式编程在神经网络中的应用研究

作　者: 陶俊剑
导　师: 元昌安
学　校: 广西师范学院
专　业: 计算机应用技术
关键词: GEP 神经网络 RBF 规则抽取
分类号: TP183
类　型: 硕士论文
年　份: 2010年
下　载: 61次
引　用: 0次
阅　读: 论文下载

内容摘要

人工神经网络是智能控制的重要研究内容,自上世纪五十年代提出后,经历了曲折的研究进程,已经形成为一门比较成熟的学科,但其固有的一些缺陷极大地制约了神经网络的进一步发展。GEP是葡萄牙科学家Candida Ferreira于2001年首次提出的,是进化计算家族中的新成员。GEP是在综合了传统遗传算法(GA)和遗传编程(GP)各自的优点的基础上发展起来的一种具有基因型空间和表现型空间的新的进化算法。GEP通过采用简单的基因编码实现在全局范围内搜索到满足条件的最优解。这一点恰好能弥补人工神经网络在选取某些参数时的不足之处。例如,RBF神经网络存在着事先要确定中心向量个数、中心向量本身难以确定等缺陷,对整个网络的收敛性、稳定性和精度有较大影响;神经网络学习到的知识蕴涵在大量的连接权值中,我们并不知道神经网络到底学到了什么,能处理什么样的任务,也无从知道网络如何进行预测、为什么得出这样或那样的推理结论。这就是通常所说的神经网络的“黑箱性”。本文基于以上几个方面,将GEP的优点结合到神经网络中,提出了基于GEP优化的RBF神经网络算法(Radial Basis Function Algorithms based on Gene Expression Programming ,GEP-RBFA算法)和基于GEP的神经网络规则抽取算法(Radial Basis Function Algorithms based on Gene Expression Programming ,GEP-RBFA算法),并将其应用到模式识别,预测,控制等方面,取得较好的效果。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-13
  1.1 研究背景和意义  8-10
  1.2 国内外研究现状  10-12
    1.2.1 人工神经网络的研究现状  10-11
    1.2.2 GEP 的研究现状  11-12
  1.3 课题主要工作  12
  1.4 本文的组织结构  12-13
2 基因表达式编程(GEP)的基础理论  13-20
  2.1 GEP 的基本概念  13-14
  2.2 GEP 的组织结构  14-17
    2.2.1 基因的构成  14-15
    2.2.2 表达式树  15
    2.2.3 遗传算子  15-16
    2.2.4 适应度函数  16-17
  2.3 标准GEP 算法  17-20
3 基于 GEP 优化的 RBF 神经网络  20-32
  3.1 RBF 神经网络的基本概念  20-21
  3.2 K-均值法  21-22
  3.3 基于GEP 优化的RBF 神经网络  22-27
    3.3.1 染色体编码  23-24
    3.3.2 遗传算子  24
    3.3.3 适应度计算  24-25
    3.3.4 基于GEP 优化的RBF 神经网络算法  25-27
  3.4 实验与分析  27-31
    3.4.1 实验1  27-29
    3.4.2 实验2  29-31
  3.5 小结  31-32
4 基于 GEP 的神经网络规则抽取  32-44
  4.1 规则抽取的概述  32-33
  4.2 规则类型  33
  4.3 规则抽取算法分类  33-34
  4.4 基于GEP 的神经网络规则抽取  34-39
    4.4.1 染色体编码  35
    4.4.2 遗传算子  35-37
    4.4.3 适应度函数  37
    4.4.4 基于GEP 的神经网络规则抽取算法  37-39
  4.5 实验与分析  39-43
    4.5.1 实验环境  39
    4.5.2 实验1  39-41
    4.5.3 实验2  41-43
  4.6 小结  43-44
5 总结与展望  44-46
  5.1 本文主要工作总结  44-45
  5.2 研究展望  45-46
参考文献  46-50
致谢  50-51
附录A 本文作者在攻读硕士学位期间所发表的论文  51
附录B 本文作者攻读硕士学位期间主持和参加的科研项目  51

基因表达式编程在神经网络中的应用研究

内容摘要

全文目录

相似论文