1、神經(jīng)網(wǎng)絡(luò)是由大量的采用交互式連接的神經(jīng)元組成的復(fù)雜網(wǎng)絡(luò)，能夠模擬大腦的并行處理和非線性運算等特征。它具有強大的自組織、自適應(yīng)和自學(xué)習(xí)能力，目前已廣泛應(yīng)用于故障診斷、模式識別、水文預(yù)測等領(lǐng)域。權(quán)值訓(xùn)練和結(jié)構(gòu)優(yōu)化是影響神經(jīng)網(wǎng)絡(luò)性能的重要的兩個方面，而傳統(tǒng)的BP學(xué)習(xí)算法具有搜索速度慢、易陷入局部最優(yōu)等缺點。近年來，進化算法以其良好的魯棒性和并行計算等優(yōu)點，已越來越多的應(yīng)用到了神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練和結(jié)構(gòu)優(yōu)化中。
　　微分進化算法作為進化算法中

2、的一種，具有算法簡單、全局優(yōu)化能力強、魯棒性好等特點，能夠處理非線性、不可微、多極值等優(yōu)化問題。同時，微分進化算法也存在著局部搜索能力弱、搜索效率低、后期收斂速度慢等缺點。本文在分析微分進化算法原理的基礎(chǔ)上提出了改進的微分進化算法，并利用改進的微分進化算法對神經(jīng)網(wǎng)絡(luò)進行了權(quán)值訓(xùn)練和結(jié)構(gòu)優(yōu)化的研究。最后，將微分進化神經(jīng)網(wǎng)絡(luò)應(yīng)用到了模擬電路故障診斷中，驗證算法的有效性和實用價值。
　　本文主要研究內(nèi)容和成果如下：
　　(1)針對

3、微分進化算法局部搜索能力不強、后期收斂速度慢的特點，對微分進化算法的變異策略進行了分析，提出了基于混合變異策略的微分進化算法(MDE)。使大部分個體在廣大范圍內(nèi)搜索以保持其全局性，少部分個體在最優(yōu)解附近搜索，增強其局部搜索能力。實驗結(jié)果表明改進后的算法具有更強的局部搜索能力和更快的收斂速度，能處理更復(fù)雜的問題。
　　(2)針對神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化的非線性度較高、易陷入局部最優(yōu)的特點，提出了基于改進微分進化算法的神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練方法。同

4、時，使用該算法與BP算法、PSO算法和DE算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并進行了比較，測試結(jié)果表明MDE算法在訓(xùn)練速度和精度上要優(yōu)于其它三種算法。
　　(3)針對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化較為復(fù)雜的特點，提出了基于改進微分進化算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法。采用算法嵌套的方法，對隱層節(jié)點數(shù)和權(quán)值進行同時優(yōu)化。仿真結(jié)果表明，MDE算法能有效的優(yōu)化網(wǎng)絡(luò)隱層節(jié)點數(shù)，提高網(wǎng)絡(luò)的泛化性能。
　　(4)將微分進化算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合并應(yīng)用于模擬電路的故障診斷