基于Pls和Ga的Elman神经网络可靠的小样本分类算法。

如果仅使用传统的Elman神经网络来处理小样本,则针对具有高维数和少量特征的小样本将引起严重的问题。 这些问题包括学习能力差,冗余结构和培训不完整; 这些缺陷将导致较低的工作效率和较差的识别精度。 本文结合偏最小二乘理论和遗传算法,结合Elman神经网络的本质,提出了一种基于PLS和GA的优化Elman神经网络分类算法(PLS-GA-Elman ) 成立。 新算法通过PLS减小了小样本的特征维,获得了相对理想的低维数据,目的是减少神经网络的输入并简化其结构。 利用遗传算法优化连接权重,阈值和隐藏神经元数量,分别采用优化的编码方式和同时演化,可以改善神经网络的不完全训练条件,减少样本数量,提高训练速度和推广性。能力; 这确保了最佳的Elman神经网络算法。 基于两次连续优化的新算法是精确分类模型的基础。 实验分析结果表明,该算法具有较高的运算效率和分类精度。