混合遗传算法训练过程神经网络：一种新方法

"该资源是一篇发表于2005年的自然科学类论文，作者葛利，来自哈尔滨商业大学计算机与信息工程学院。论文提出了一种使用混合遗传算法学习的过程神经网络，通过正交基展开输入函数和网络权函数，简化计算，并在木材生长密度预测中验证了算法的效果。关键词包括过程神经网络、混合遗传算法和正交基。" 这篇论文关注的是神经网络的学习算法改进，特别是针对过程神经网络（Procedure Neural Networks）。过程神经网络是一种特殊的神经网络模型，它主要用于处理连续时间序列数据或动态过程。在传统的反向传播（BP）算法基础上，作者引入了遗传算法，创建了一种混合遗传算法，以提高训练效率和准确性。 遗传算法是一种受到生物进化理论启发的全局优化方法，通过模拟自然选择和遗传机制来搜索解决方案空间。在训练神经网络时，遗传算法可以用于优化权重的初始分布，帮助快速收敛到全局最优解，而不仅仅局限于局部最小值。论文中，作者将输入函数和网络权函数都表示为同一组正交基的展开形式，这种做法有助于减少计算复杂度，并且能够更好地捕捉输入数据的结构。 正交基的概念在数学中广泛应用于函数展开和信号处理，它允许我们用一组简单的基函数线性组合来表示复杂的函数，这样可以有效地降低问题的维度，简化计算。在神经网络中，正交基的选择对于网络的表示能力和学习效果至关重要。论文中提到，通过对权值基函数的选择和离散数据的函数拟合方法进行调整，进一步减少了误差，这表明作者在算法设计上考虑了实际应用中的计算效率和精度平衡。 最后，论文通过木材生长密度预测这一实例验证了混合遗传算法在过程神经网络中的有效性。这是一个典型的非线性问题，需要模型能够适应复杂的动态变化。实验结果证明，提出的算法在预测任务中表现出色，从而证实了其在实际问题中的实用价值。 这篇论文提供了一个创新的方法，即结合遗传算法和正交基展开优化过程神经网络的学习过程，这种方法在解决实际预测问题时表现出了良好的性能，对于神经网络优化领域和相关应用领域具有一定的研究价值。