基于遺傳優化BP神經網絡的信噪比預測研究

翟龍飛 陳迎春 楊沖 賈波

【摘要】 BP神經網絡良好的非線性擬合能力和精確的數據歸納能力，使其廣泛應用于各個領域。但在訓練過程中也暴露出網絡結構不易確定和易陷于局部最小等不足。本文基于短波信號接收信噪比預測數據，利用遺傳算法分別從BP網絡結構和網絡參數兩個方面進行算法改進，最后通過仿真測試，比較出BP網絡和GA+BP網絡的優缺點。

【關鍵詞】 遺傳算法 BP神經網絡 信噪比預測

遺傳算法是一種能夠實現全局搜索功能的人工智能算法，本文將針對BP網絡結構和BP網絡參數兩方面不足，利用遺傳算法對其進行改進。

一、遺傳算法基本操作

遺傳算法在尋求最優解時的具體操作如下：①基因編碼②產生種群③計算個體適應度值④進行選擇、交叉、變異等[1]。

二、基于遺傳算法的優化分析

2.1網絡結構優化

2.1.1 GA優化網絡結構的具體步驟

2.1.2實例仿真

在matlab環境下對短波信號接收信噪比預測數據進行操作，得到最優網絡結構ly：0 0 0 1 1 1 1 1 1 0，前兩位的0 0表示該網絡為單隱層，中間4位表示單隱層的神經元個數為：0*2^0+1*2^1+1*2^2+1*2^3=14。所以本問題的最優網絡結構為：單隱層，隱層神經元個數為14。

2.2網絡參數優化

2.2.1 GA優化網絡參數的具體步驟

①基于短波信號接收信噪比預測數據，選取訓練輸入和輸出數據集。 ②根據輸入輸出數據確定輸入和輸出的神經元個數，代入公式得到編碼長度。③設定種群規模popu，并初始化種群。④計算各個個體的適應值。⑤根據個體適應度的大小，執行選擇、交叉和變異等基因操作產生下一代種群。⑥返回④，直到達到目標要求得到最優解。

2.2.2實例仿真

三、BP網絡與GA+BP網絡性能分析比較

由上表數據不難發現，相較純BP網絡，基于遺傳算法的優化后的GA+BP網絡，其性能參數MSE趨于更小，同時網絡訓練更加穩定。雖然訓練過程中，遺傳操作會增加一定的耗時，但時間增加不多，綜合考慮，選取GA+BP網絡比BP網絡更適于系統穩定誤差小的要求。

參 考 文 獻

[1] 牛向陽.基于遺傳算法的同步優化算法[J].應用數學與計算數學學報， 2007年（1期）