基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法，具有并行和全局搜索能力，不要求函数导管特点，在神经网络学习中得到广泛应用，合理选择初始群体和控制搜索的盲目性，有利于提高算法的效率，为此，提出了一种新的神经网络学习算法－－基于样本划分的启发式遗传BP算法，该方法对神经网络学习样本进行划分，形成样本子集，初始群体通过在样本集类上训练神经网络而获得，这些初始网络中包含了关于样本子集的有用信息，根据模式定理，能通过遗传算法保留和加强，此外，提出并证明了关于样本集类及其BP训练的几个代数性质，结合子空间划分进行启发式搜索，以克服搜索的盲目性，对上述方法进行仿真实验，迭代次数和误差较小，表明本学习算法是切实可行的。