DOI:10.16707/j.cnki.fjpc.2018.03.082
F福建电脑UJIANCOMPUTERBP神经网络算法的优化
杨俊雪
（河南师范大学河南新乡453007）
【摘要】为解决BP网络易陷入局部最小区域问题，结合自适应搜索算法和经典BP网络算法的特征，提出了一种混合智能算法的思想。算法的思想有两种：一种是优化神经网络的权值和阈值，另一种是利用自适应搜索算法寻找更优
用来训练BP神经网络。通过理论分析评估该自适应搜索算法的性能，分析表明：经自适应搜索算法优化的的样本子集，
能很好地避免原始BP神经网络陷入局部最优。网络具有高的算法收敛速度和精度，
优化；权值更新【关键词】BP算法；梯度下降；遗传算法；0引言
作为一种重要的前馈神经网络模型袁误差反向传播网络
渊errorBackPropagation袁BP冤是一种按误差反向传播算法训练的多层前馈网络遥尽管BP神经网络具有较好的大规模非线性数据并行处理和容错能力,但是在实际应用中仍有一些固有的缺陷遥对此袁专家学者做了很多的努力袁改进的途径主要有BP网络参数的改进和使用更有效的优化算法遥采用上述方法改进袁还是不能很好的解决网络的权值与结构的最优解问题遥而自适应搜索算法具有不依赖于梯度信息和并行性的特点袁非常适合大规模并行分布处理高度复杂的非线性问题袁提高搜索效率袁同时更大程度的避免搜索陷入局部最优的可能遥
1遗传算法优化BP神经网络1.1优化神经网络的权值和阈值
渊1冤由于使用二进制值编码时会造成编码的长度太长袁故采用编码长度较短的实数编码[5]袁对网络层中的权值由输入层到输出层的顺序编码遥
渊2冤把编码串按照输入层到输出层的顺序分配到要测试的网络结构中袁使用样本集训练网络袁执行后返回平均误差E遥则每个个体的适应度值为院
式中袁编码串Y1尧Y2是父染色体袁Y1爷尧Y2爷是均匀算术交叉运
算后获得的子染色体袁啄是取值范围在渊0袁1冤区间的常量遥
渊6冤选取第i个个体的第j个基因琢ij进行变异袁变异操作如下院
渊6冤
渊1冤渊2冤
式中m为对应网络输出节点的个数袁dj尧yj为输出层的期望输出和实际输出遥
渊3冤网络的各权值按照下式随机取定院渊4冤如果一个种群的数量为Z袁k是种群中的个体袁它的适应度为g(k)袁则k被选中的概率是院
渊4冤
渊5冤因为个体采用实值编码袁所以采用均匀实值交叉遥
假设两个编码串Y1袁Y2进行均匀算术交叉操作后产生的两个新的编码串如下所示院
渊5冤渊3冤
式中袁琢max和琢min是琢ij的上下界曰h渊x冤=r1渊1-t/Mmax冤曰r1是随机数曰t表示当前迭代了多少次曰Mmax是进化次数的上限曰酌是取值范围在咱0袁1暂区间的随机数遥
渊7冤算法思想院利用遗传算法野优胜劣汰袁适者生存冶的特点,设计适应度函数为网络实际输出与期望输出之间误差的单调递减函数袁随机生成初始权值和阈值袁通过并行搜索使得BP网络能更快更好地满足目标条件遥
渊8冤阈值的训练和权值一样袁具体算法流程可描述如下院淤明确使用哪种编码权值的方法袁用式渊3冤生成初始种群曰于将种群里的个体分配到网络层中袁构造相应的网络结构曰
盂按照式渊1冤尧式渊2冤计算网络适应度曰
榆根据适合度的大小决定各个体繁衍后代的概率袁按照式渊4冤完成选择曰
虞再按照一定的概率交叉式渊5冤和变异(6)等得到新一代的群体曰
判断群体是否满足预先设定的终止标准袁若不满足返回?袁直到得到一组最优权值遥
1.2优化BP网络的样本子集
在网络训练学习中经常会采用一组输入样本训练网络的权值和阈值袁若输入样本选择不好会增加迭代次数袁使得算法的收敛速度变慢遥利用遗传算法来寻找最优的神经网络输入样本子集袁可以有效提高算法的收敛速度遥
算法的描述与上述训练权值类似袁具体描述如下院
淤明确使用哪种编码输入样本的方案袁根据具体问题随机生成初始种群曰
于解码输入样本种群袁输入预先设定的神经网络曰盂按照式渊1冤尧式渊2冤计算网络适应度曰
榆根据适合度的大小决定各个体繁衍后代的概率袁按照式渊4冤完成选择曰
虞再按照一定的概率交叉式渊5冤和变异(6)等得到新一代的群体曰
判断群体是否满足预先设定的终止标准袁渊下转第148页冤
·160·
福建电脑2018年第3期
F福建电脑UJIANCOMPUTER产次尧生育计划尧近期流产史尧目前避孕方法尧本次妊娠原因尧孕囊大小尧拟选择流产方式尧拟选择避孕方式及使用时间尧高危因素等遥信息登记界面如图3所示遥
2.2.2随访登记模块
根据临床实际需求袁本文设计的PAC随访管理系统提供门诊复诊随访尧电话随访尧按登记日期集中随访三种随访方式袁其中门诊复诊随访可根据病人的姓名尧身份证号尧电话信息进行检索曰电话随访中根据病人首次咨询的时间袁确定今日及三天内应访的病人袁并对距离登记日期超过5周仍未进行第一次随访袁第一次随访后超过5周仍未进行第二次随访袁第二次随访后超过5周仍未进行第三次随访在遗漏查询中给予提示曰设定起始和结束日期袁检索所有期间内登记的病人袁便于随访人员进行集中随访遥
检索出需随访的病人后即可弹出随访登记页面袁根据病历号可显示该病人的姓名尧身份证号尧联系方式尧登记日期尧流产方式尧建议的避孕方式及当前随访状态等基本信息袁随访记录中可添加出血天数尧月经情况尧目前避孕方法尧今后计划避孕方式等遥登记界面如图4所示遥
图5PAC随访统计界面二
3系统实施及应用效果
本文开发的PAC随访管理系统部署于我院计划生育门诊及PAC咨询室袁协助相关科室开展PAC服务袁自2016年6月上线后现已累计登记13000余名病人袁第1个月随访率93%袁3个月随访率52%袁经PAC咨询服务后患者对避孕知识的了解增多袁大多数女性能够主动采取避孕措施来避免重复流产遥
4结语
本文开发了用于临床医学及科研的PAC随访管理系统袁该系统提供患者基本信息及随访信息采集界面袁对到期随访患者主动提醒随访袁患者信息及随访数据集成管理并科生成相关报表进行分析遥PAC随访管理系统提高了随访工作效率袁在PAC项目中发挥积极作用遥
参考文献：
［1］金美玉,刘亚芳.流产后关爱服务对女性人工流产后有效避孕的影响［J］.中国计划生育学杂志,2016,24(3):201-203.
图4PAC随访登记界面［J］［2］李秀芬.人工流产后计划生育服务干预效果分析.当代医学,2015(11):161-162.
［3］王艳娟..net网络应用程序的三层架构［J］.硅谷,2012(5):185-185.［4］孙鹏,徐美红,谢国雄,等.基于RDLC的报表系统的设计和实现［J］.电脑知识与技术,2012,08(7):4624-4626.
2.2.3报表统计模块
RDLC(ReportDefinitionLanguageClient-Side)作为Visual鄄Studio集成的报表工具袁在WinForm客户端程序设计中方便快捷[4]袁本文设计的PAC随访管理系统采用RDLC实现病人基本信息尧节育方式尧随访统计等报表袁并以表格和图标的形式展现袁如图5所示遥
（上接第160页）
若不满足返回于袁直到得到一组最优输入样本子集遥
2结束语
基于遗传算法的全局搜索能力和神经网络的学习能力和鲁棒性袁为了使两种算法能有效结合袁提出了训练权值和输入样本的混合智能算法遥从理论上分析了该混合智能算法与经典BP网络学习算法相比能有效地避免局部最小袁能更快更好地满足学习目标精度遥
参考文献：
［D］江南大学．2009．［1］王银年．遗传算法的研究与应用．无锡：
［2］徐瑜，危韧勇．神经网络在控制系统中的应用现状及展望［J］．电脑知识与技术，2006，12(02)：54-59.
苏［3］吴伟．基于改进遗传算法的神经网络结构优化研究［D］．苏州：州大学，2012.
［4］李超．基于自适应遗传算法的BP神经网络预测研究及应用［D］．临汾：山西师范大学，2012.
作者简介：
（1997－）杨俊雪，女（汉），河南省新乡市封丘县人。
·148·
福建电脑2018年第3期
