GA—BP混合训练算法应用于心电图自动识别研究(1)
 |
| 第1页 |
参见附件。
摘要：利用神经网络进行心电图识别时，存在神经网络网络结构、初始权值以及网络的动量因子、学习参数难以确定，易陷入局部极小、过拟合等问题。遗传算法具有很强的全局寻优能力，能以较大的概率找到全局最优解，提出一种改进的GA-BP混合训练算法，优化神经网络的权值和结构，应用于自动识别心电图，收到良好的效果。
关键词：神经网络；遗传算法；心电图
1 神经网络
BP神经网络基于误差反向传播算法的多层前向神经网络。其中BP网络是目前应用最为广泛的神经网络模型之一。网络隐节点过多会导致算法存在过拟合现象，影响了网络的泛化能力，使得网络最终失去实用价值。在满足精度的要求下，逼近函数的阶数越少越好，低阶逼近可以有效防止"过拟合"现象。在实际应用中，还没有成熟的方法确定网络的隐节点，隐节点的确定基本上依赖经验，主要式采用递增或递减的试探方法来确定网络隐节点[1]。
2 遗传算法
遗传算法是自然淘汰、遗传选择的生物进化过程的计算模型，它是基于自然遗传、选择变异等生物机制的全局概率搜索算法。其应用优势在于处理传统搜索方法难于解决的复杂和非线性问题，包含问题编码、初始化群体、选择、交叉、变异、全局最优收敛等基本步骤[2]。遗传算法是求解复杂系统优化问题的通用方法，隐含全局搜索及并行性是其的主要特征，它以适应度函数为依据，通过对群体个体进行遗传操作实现群体内个体结构重组的迭代过程。群体个体一代一代得以优化并逐次逼近最优解[3，4]。
3 基于遗传算法的神经网络训练方法(GA-BP)
遗传算法优化神经网络的思路：改变BP算法依赖梯度信息来调整网络权值的方法，利用遗传算法全局性搜索的特点，寻找最佳网络连接权和网络结构，遗传算法在进化过程中能以较大概率搜索到全局最优解存在的区域，在遗传算法搜索到最优解附近之后，再采用训练样本优选最好的网络连接权系数及网络结构。
遗传-神经网络模型：
GA-BP算法的步骤：
3 ......
您现在查看是摘要介绍页，详见PDF附件。