3.1理论基础3.1.1 BP神经网络概述来源于BP神经网络，即back propagation神经网络，名称为网络训练过程中网络权重调整算法与误差逆
地位BP网络是前馈网络的核心部分，是人工神经网络中应用最广泛的算法，但同时学习收敛速度太慢，无法保证收敛倒向全局最小点，网络结构难以确定另外，网络结构、初始连接权重、阈值的选择对网络训练影响很大，但无法准确获得。 针对这些特征，采用遗传算法优化神经网络。
输入摘要： Xi
输出： Yt
抑制层的输出S:Sj指的是抑制层的第j个输出，计算公式以输入Xi和权重Wij的乘积之和减去阈值j _ theta _ { j }j后的差作为传递函数f的参数输入，得到函数值Sj。
输出层的输出y :类似地，从前隐含层的输出s与权重值Vij的乘积之和减去阈值 t gamma_{t} t得到的差作为传递函数g的参数被输入，得到函数值Yt。
BP神经网络的算法工作流程：
简单地说，BP神经网络类似于所有机器学习内容，用户准备输入数据x和期望输出y，x、y一起放入BP神经网络中并不断拟合以获得输出函数f(x )。 此外，使用者还准备了新的x、y组，根据f(x )函数计算输出f ) x )，观察其输出与期望的输出y之间的误差是否较大，误差越小，表示拟合效果越好。 然后，可以使用这个f(x )进行实际问题的应用。
3.1.2遗传算法的基本要素遗传算法的基本要素主要包括染色体编码方法、适应度函数、遗传操作和运行参数。
染色体编码是指个体的编码方法，目前包括二进制法、实数法等。 二进制法是指将个体编码为二进制串，实数法是指将个体编码为实数。
适应度函数是指计算基于进化目标制成的个体适应度值的函数，通过适应度值函数计算每个个体的适应度值，用于选择操作等。 适应度高的个体生存的可能性往往变高。
遗传操作是指选择操作、交叉操作、变异操作。
运行参数是遗传算法初始化时确定的参数，主要包括群体大小m、遗传代数g、交叉概率Pc、变异概率Pm。
本案例采用sheffield遗传算法工具箱进行遗传算法的建立。
3.2案例背景3.2.1问题描述本文以拖拉机齿轮工具箱为背景，介绍应用基于遗传算法的BP神经网络对齿轮箱进行故障诊断。 齿轮箱的故障几乎都是由齿轮故障引起的，所以这里只讨论齿轮故障的诊断。
的输入是15维向量，这些数据具有不同的维度和数量级，所以在输入神经网络之前首先进行归一化处理。 表3-1和表3-2显示了归一化的齿轮箱状态样本数据。
从表中可以看出，有3种故障模式，可以用以下形式表示输出。
无故障： (1，0，0 ) )
吃根裂： (0，1，0 ) ) )。
断齿((0，0，1 ) ) ) ) ) )。
3.2.2解题思路和步骤1、算法流遗传算法优化BP神经网络主要分为确定BP神经网络结构、遗传算法优化权重和阈值、BP神经网络训练和预测其中，BP神经网络的拓扑结构是基于样本的输入输出参数数量确定的，从而确定遗传算法优化参数数量，进而确定种群个体的码长。 即输入/输出参数个数——遗传算法优化参数的个数——种群个体的编码长度。
神经网络的权重和阈值一般随机初始化为[-0.5，0.5 ]区间的随机数。 这个初始化参数对网络训练有很大的影响，但不能准确得到。 对于相同的初始权重值和阈值，网络训练结果相同。引入遗传算法就是为了优化出最佳的初始权值和阈值。
结语的准备到此结束。 下一章详细讨论使用matlab实现程序。