💥1 概述
BP-GA算法的設計︰基于遺傳算法的BP神經網絡算法(以下簡稱BP-GA)就是在BP神經網絡的學習過程中,将權重和閥值描述為染色體,并選取适宜的适應函數,然後進行GA疊代,直到某種意義上的收斂.與普通BP學習算法相比,算法 BP一GA的優勢在于可以處理一些傳統方法不能處理的例子,例如不可導的特性函數(傳遞函數)或者沒有梯度資訊存在的節點.該算法涉及到兩個關鍵問題,分别是染色體位串與權系值的編碼映射和評價函數。
📚2 運作結果
部分代碼：
def load_data_wrapper(filename):
lineData = []
with open(filename) as txtData:
lines = txtData.readlines()
for line in lines:
linedata = line.strip().split(',')
lineData.append(linedata)
return lineData
# 提出特征和标簽，特征做輸入，标簽為輸出
def splitData(dataset):
Character= []
Label = []
for i in range(len(dataset)):
Character.append([float(tk) for tk in dataset[i][1:-1]])
Label.append(float(dataset[i][-1]))
return Character, Label
#輸入特征資料歸一化
def max_min_norm_x(dataset):
min_data = []
for i in range(len(dataset)):
min_data.append(min(dataset[i]))
new_min = min(min_data)
max_data = []
for i in range(len(dataset)):
max_data.append(max(dataset[i]))
new_max = max(max_data)
data = np.array(dataset)
data_x =[]
for x in np.nditer(data, op_flags=['readwrite']):
#x[...] = 2 * (x -new_min)/(new_max-new_min)-1
x[...] = (x - new_min) / (new_max - new_min)
#print('x[...]:',x[...])
data_x.append(x[...])
data_x3 = []
for index in range(0, len(data_x), 3):
data_x3.append([data_x[index], data_x[index+1], data_x[index+2]])
#print("data_x3:",data_x3)
return data_x3