论文部分内容阅读
提出了一种将反向传播神经网络(BPNN)与遗传算法(GA)相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练BPNN模型,然后利用GA在可行域内求解训练好的BPNN模型以寻找模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对BPNN模型重新训练。针对训练模式较少可能导致预测精度不足的问题,在BPNN模型的训练中分别采用贝叶斯正则化算法(BRA)和改进的LevenbergMarquardt算法提高BPNN模型的泛化能力和收敛性,并结合精英策略将模拟退火算法(SAA)嵌入到GA