为了解决这个问题,使用下面的步骤使用遗传算法优化神经网络。
“遗传算法”功能需要一个函数句柄作为输入参数,它通过1 xn向量,其中N是变量的数量在系统优化。
神经网络,重量和偏见是一个mx₁向量。这些可能是优化使用“遗传算法”。
可以编写一个函数来接受网络,重量和偏见,输入和目标。这个函数可以返回基于输出的均方误差和目标“遗传算法”需要一个函数处理,只有返回标量值。
以下代码示例描述了均方误差函数返回给定输入的重量和偏见,一个网络,它的输入和目标。
函数mse_calc = mse_test (x,净、输入目标)
% ' x '包含重量和偏见向量
%的行向量形式传递给它的
%遗传算法。这个必须转置
%的时候被设置为重量和偏见
%的向量网络。
%
%的重量和偏见向量
%一个作为输入
网= setwb(净,x ');
%
%来评估基于给定的输出
%重量和偏见向量
y =净(输入);
%
%计算均方误差
mse_calc = ((y-targets) ^ 2)之和/长度(y);
结束
以下代码示例描述了一个单独的脚本,建立一个基本的神经网络问题和处理传递给函数的定义“遗传算法”。它使用上面的计算均方误差函数。\ n
% %神经网络初始化问题
%
%为神经网络的输入
输入= (1:10);
%为神经网络的目标
目标= cos(输入。^ 2);
%
%的神经元数量
n = 2;
%
%建立一个神经网络
网= feedforwardnet (n);
%
%配置数据集的神经网络
网=配置(净、输入目标);
%
% MSE_TEST创建句柄函数
%计算均方误差
h = @ (x) mse_test (x,净投入,目标);
%
%设置遗传算法对
%最小变化适应度函数
% 1 e-8终止算法和显示
%每个迭代的结果。
ga_opts = gaoptimset (“TolFun”1 e-8“显示”,“通路”);
%
%请注意:对于一个前馈网络
% n神经元,数量3 n + 1是必需的
%的重量和偏见列向量。
%
% a . n的输入权值
% b . n的输入偏差
% c, n为输出权重
% d。1为输出的偏见
%
%运行遗传算法所需的选项
[x_ga_opt, err_ga] = ga (h, 3 * n + 1, ga_opts);
请注意,上面的例子中使用了
,这是在R2010b首次引入。
