课题研究内容

1.神经网络基本概念及Back Propagation（BP）网络基本原理；

2.智能优化基本概念及遗传算法（Genetic Algorithm, GA）基本原理及优势；

3.在MATLAB仿真平台上实现基于遗传算法的BP神经网络，并解决图像分析问题来检测这一算法的实际意义。

本文主要研究内容

人工神经网络有着很好的通用性和可移植性，其中的误差反向传播算法（Error Back Propagation, BP）能够按各层的神经元计算误差来进行向前层反馈调整，经过不断调整来达到最优结果，找到了多层感知器中的训练算法。由于BP神经网络结构较为简单，可用于训练的算法选择空间较大，可以通过调整网络参数来调整网络的优化方向，使得BP神经网络成为我们目前所使用的最广义的神经网络结构。然而，BP网络的收敛速度是缓慢的，易收敛到局部最小值，从而影响其精度。

为了解决上述问题，将遗传算法与BP神经网络相结合，在BP网络运行前利用遗传算法对BP神经网络参数进行优化，其优点在于：

（1）遗传算法在解空间搜索时不易陷入局部最优，可以比较容易的得到全局最优解。

（2）遗传算法尤其适合处理复杂的非线性问题，因为传统算法采用爬山法，搜索方向固定，遗传算法采用整体搜索的策略。

（3）遗传算法采用并行搜索机制，计算量小，处理的模式更多。

因此，本文用遗传算法来优化了BP神经网络，并应用于图像压缩来验证其效果。

基于遗传算法的BP神经网络优化，其基本思想为：先初始化一些网络的权值和阈值，通过测试样本送入网络训练，并计算误差，用适应度来表示出种群的好坏，再根据适应度判定的一种遗传过程，在这个过程中个体选择、交叉、改变并继续循环直到停止的状态得到满足,如达到设定的进化代数或适应度阈值，最后就得到了较好的网络参数，该网络参数可应用于BP网络。

论文工作总结

基于遗传算法的BP神经网络，对于纯BP神经网络来说，进行了较为明显的优化。

在遗传算法的基础上，对原有BP神经网络的缺陷进行补偿，让进行搜索时，解区域不易造成局部最小值，从而得到全局最优解。遗传算法采用了整体搜索策略和并行搜索方法，收敛速度加快，这些优势也难以与BP网络比较。本文主要做了以下几个方面的研究：

（1）本文从神经网络入手，展示了神经网络的发展历程以及神经网络的国内外研究现状，紧接着介绍了神经网络的类型及训练方式，总结了神经网络的特点。对本文重点研究的BP神经网络，进行了更为深入的探讨，其中囊括了BP网络的结构、特点等，一并推导了标准BP算法的学习方式并给出了流程图，再针对标准BP算法给出了几种提升BP网络收敛速度的改进的学习方法，最后，分析了BP网络的局限性，这也是为什么BP网络需要优化的原因。

（2）本文对遗传算法做了详尽的说明。先对遗传算法的现阶段的发展、应用做了一些研究，再从生物层面的原理引出遗传算法在数学层面的合理性，介绍了选择、交叉、变异三大遗传算子，对遗传算法的运行过程给出了形象的图表，总结了遗传算法的特点同时也分析了其局限性。

（3）通过前文对神经网络和遗传算法的分析，为介绍本文核心的内容铺好了道路。遗传算法在神经网络优化中的应用，优化了神经网络的参数，这些在论文里都给出了详细的优化步骤。

（4）本文将遗传算法优化后的神经网络应用于图像压缩，分析了用神经网络进行图像压缩的原理及详细步骤，推导了压缩后的隐含层神经元权值，并将纯BP算法压缩的图像与遗传算法优化的网络压缩得到的图像进行对比，发现优化算法得到的重建图像明显比纯BP算法马赛克感减弱，图像重建效果更好。这一应用也表明,遗传算法能真正优化BP神经网络。