基于遗传_神经网络的字符识别

第20卷 第4期2001年8月

兰州铁道学院学报(自然科学版)

JOURNALOFLANZHOURAILWAYUNIVERSITY(NaturalSciences)Vol.20No.4Aug.2001

文章编号:1001-4373(2001)04-0078-04

基于遗传-神经网络的字符识别

闫 巧, 王世军, 谢维信, 伍忠东

3.深圳大学,深圳 518060)

1231

(1.西安电子科技大学,陕西西安 710071;2.北京遥感设备研究所,北京 100080;

摘 要:设计并实现了一种基于遗传-神经网络的字符识别系统.遗传-神经网络算法综合了遗传算法的全局优化和神经网络的并行计算等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度.

关键词:神经网络;遗传算法;字符识别;BP算法中图分类号:TP183 文献标识码:A

1 人工神经网络和遗传算法

人工神经网络(ArtificialNeuralNetwork,简称AN2)是基于连接学说构造的智能仿生模型,它是由大量神经元构成的非线性动力系统,具有各种智能处理的功能.40年代以来,人们在研究人脑机理的基础上,广泛开展模仿脑模型的人工神经网络理论的研究.由于人工神经网络具有与人脑相似的高度并行性、良好的容错性和联想记忆功能、自适应自学习能力等特点,所以许多传统方法不能或难以解决的问题比如优化问题,可采用人工神经网络来解决.在众多的人工神经网络的家族中由于以改进型BP网络为代表的神经网络具有良好的自学习能力、强大的分类能力、容错能力或鲁棒性,可以实现输入到输出的非线性映射,所以BP神经网络目前已经成为实际当中使用的最普遍的人工神经网络之一.遗传算法(GeneticAlgorithms,简称GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法,其重要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息.它作为一种新的全局优化搜索的方法,具有简单通用,鲁棒性强适于并行处理和应用范围广的优点.

目前许多文献报道了用BP神经网络求解优化问题的研究成果,研究表明:BP是互连的大规模并行处理器,它能通过高度互连的神经元来解决复杂

优化问题.但BP学习算法所采用的梯度下降法不能保证学习的结果达到的是均方误差的全局最小点,而且在求解优化问题容易陷入局部最小点,从而导致神经网络进入错误的工作模式.就BP的计算能量函数而言,局部极值影响全局最优解的获得是其内在本质性的缺陷.解决方法之一是从多个初始点出发,分别求解;方法之二是在BP求解过程中结合模拟退火技术.方法一的缺点是初始点选择较盲目,很难选取出具有全局性的初始点,因而求得全局最优的可能性仍然较小;方法二的缺点在于计算时间较长,模拟退火的参数也较难确定.与其它搜索方法相比,GA具有其它算法所没有的自适应性、全局优化性和隐含并行性,体现出很强的解决问题的能力.正是考虑到GA的优越性,本文研究了基于GA算法的改进型BP网络的原理和实现,并将它应用在字符识别系统得到了比较好的实验结果.在具体的BP算法采用自适应学习速率缩短训练时间.

2 遗传-神经网络算法原理

遗传-神经网络算法的基本思想是:首先由GA求解优化问题,由于GA是同时搜索解空间的一群点,并构成不断进化的群体序列,因而在进化一定的代数后,可以同时得到一些具有全局性的好点,从这些好点出发,再分别用神经网络求解,进而得到全局优化解.遗传-神经网络算法如图1所示,具体的

收稿日期:2001-07-02

基金项目:国家863应急项目(301-6-6)

: ),女.