摘  要： BP網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)的重要分支，已經(jīng)廣泛應(yīng)用于手寫數(shù)字識別。然而BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練時間長,、易陷入局部最小的問題,。為了克服這些問題,，提出了一種改進的遺傳算法,，并用該算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。最后,，利用基于該算法的神經(jīng)網(wǎng)絡(luò)對大量USPS手寫數(shù)字樣本集進行訓(xùn)練,。實驗結(jié)果表明，該算法比單純的BP算法具有更快的識別速率,。
關(guān)鍵詞： 遺傳算法,；BP神經(jīng)網(wǎng)絡(luò)；數(shù)字識別

    數(shù)字識別前景廣闊,，廣泛應(yīng)用于郵政編碼的識別,、汽車牌照的識別以及個人成績單的識別。相對于印刷體數(shù)字識別,，無約束手寫體的識別是模式識別領(lǐng)域的難點,，也是目前的一個研究熱點。近幾年來眾多學(xué)者對手寫體進行了較多的研究,，提出了多種算法,，不過當(dāng)前運用較好的主流算法還是以統(tǒng)計、神經(jīng)網(wǎng)絡(luò),、聚類分析的識別算法為主,。
    神經(jīng)網(wǎng)絡(luò)具有很強的學(xué)習(xí)性和自適應(yīng)性，對于解決目標(biāo)識別和模式分類具有較大的潛力,。其中BP模型被廣泛地應(yīng)用于模式分類,、模式識別等方面，但BP算法收斂速度慢,，且很容易陷入局部極小點,。遺傳算法具有并行搜索、效率高,、不存在局部收斂問題等優(yōu)點而被廣泛應(yīng)用,。然而傳統(tǒng)的遺傳算法帶有一定程度的隨機性和盲從性，且有過早收斂的現(xiàn)象,。為了克服遺傳算法的這些缺點,，本文采用正交遺傳算法，克服了初始種群的盲目性,，并對選擇過程做了改進,，不再單純地淘汰劣勢個體，以保證種群的多樣性。最后,，本文將改進的遺傳算法應(yīng)用到BP網(wǎng)絡(luò)中,，提出遺傳BP神經(jīng)網(wǎng)絡(luò)，通過遺傳算法的全局優(yōu)化能力提高BP神經(jīng)網(wǎng)絡(luò)對手寫數(shù)字樣本訓(xùn)練的速度,。
1 BP神經(jīng)網(wǎng)絡(luò)
    BP網(wǎng)絡(luò)是一種典型的前向神經(jīng)網(wǎng)絡(luò),，主要由輸入層、隱含層,、輸出層組成,，它的基本結(jié)構(gòu)如圖1所示。隱含層可以是單層或多層,。每一層由一個或者多個節(jié)點組成,，同一層的節(jié)點之間沒有連接，而層與層之間的節(jié)點是全連接的,，即每一層的節(jié)點與前面一層的所有節(jié)點都有連接,。
    BP網(wǎng)絡(luò)的核心是BP算法，BP算法由兩部分組成：信息的正向傳遞和誤差的反向傳播,。在正向傳播中,，輸入信息從輸入層經(jīng)隱含層逐層計算傳向輸出層，每一層的輸出作用于下一層神經(jīng)元（即為圖中的節(jié)點）的輸入,。如果在輸出層沒有得到期望的輸出,，則計算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播,，通過網(wǎng)絡(luò)將誤差信號沿原來的連接通路反傳回來,，修改各層神經(jīng)元的權(quán)值直至達(dá)到期望目標(biāo)。
    雖然BP網(wǎng)絡(luò)得到了廣泛的應(yīng)用,，但它也存在一些自身的不足和限制,，例如訓(xùn)練時間較長、容易陷入局部最小值等[1],。
2 改進的遺傳算法
    遺傳算法的操作內(nèi)容主要有種群初始化操作,、選擇操作、交叉操作,、變異操作,。
2.1 種群的初始化
    對于沒有先驗知識的優(yōu)化問題，傳統(tǒng)遺傳算法的初始種群一般采取完全隨機的方法產(chǎn)生,，這樣選出的初始群體帶有一定的盲目性,，也很難選出具有代表性的群體。本文采用正交化設(shè)計方法來初始化種群,，利用正交設(shè)計所選的樣本組合能夠很好地代表所有可能的組合并且正交設(shè)計在數(shù)值優(yōu)化方面已經(jīng)被證明具有很好的搜索能力[2],，這樣獲得的初始種群更具有魯棒性和統(tǒng)計合理性。

    表1所示為兩種算法的性能比較，從中可以明顯地看出改進的遺傳-BP算法比單純的BP算法具有更快的訓(xùn)練速度,。而手寫數(shù)字的識別精度很大程度上取決于訓(xùn)練樣本的數(shù)量,，因此，提高大量樣本的訓(xùn)練速度對手寫數(shù)字識別具有重要的意義,。

    本文針對BP網(wǎng)絡(luò)訓(xùn)練大量數(shù)據(jù)時,，訓(xùn)練時間長、易陷入局部最優(yōu)等問題,，提出將BP網(wǎng)絡(luò)與遺傳算法相結(jié)合,，并用改進的遺傳算法來克服傳統(tǒng)遺傳算法收斂速度慢的缺點，通過計算正交設(shè)計矩陣來提高初始種群的質(zhì)量,，有效地增強了算法的穩(wěn)定性和全局搜索能力，也說明了此算法具有廣泛的應(yīng)用價值,。
參考文獻(xiàn)
[1] 叢爽.神經(jīng)網(wǎng)絡(luò),、模糊系統(tǒng)及其在運動控制中的應(yīng)用[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2001.
[2] LEUNG Y W,，WANG Y P.An orthogonal genetic algorithm with quantization for global numerical optimization[J].IEEE Trans.on Evolutionary Computation,，2001，5(1)：41-53.
[3] 王宇平.進化計算的理論和方法[M].北京：科學(xué)出版社,，2011.
[4] 王小平,，曹立明.遺傳算法——理論、應(yīng)用與軟件實現(xiàn)[M].西安：西安交通大學(xué)出版社,，2004.