一种新颖的优化GA-Elman神经网络算法

Elman神经网络具有良好的动态特性和强大的全局稳定性，被广泛用于处理非线性，动态和复杂的数据。 但是，作为对反向传播（BP）神经网络的优化，Elman模型不可避免地会继承其某些固有缺陷，从而影响识别精度和操作效率。 已经提出了许多改进来解决这些问题，但是事实证明很难平衡许多相关特征，例如存储空间，算法效率，识别精度等。而且，很难同时从临时解中获得永久解。 为了解决这个问题，可以将遗传算法（GA）引入Elman算法以优化连接权重和阈值，从而可以防止神经网络陷入局部最小值并提高训练速度和成功率。 隐藏层的结构也可以使用遗传算法进行优化，可以解决确定神经元数量的难题。 以前关于这种进化Elman算法的大多数研究都单独优化了连接权重或网络结构，这代表了一个轻微的不足。我们在此提出一种新颖的优化GA-Elman神经网络算法，其中连接权重是实数编码的，而隐藏层也采用实编码，但增加了二进制控制基因。 在这种新算法中，同时使用混合编码和演化同时优化了连接权重和隐藏神经元的数量，从而极大地提高了所得结果的性能。novelGA-Elman算法。 三个实验的结果表明，就所有计算指标而言，这种新的GA-El