1、“.....在命令窗口中直接运行文件即可。主要界面分别如下图所示。传统神经网络训练过程误差遗传算法适应值计算结合遗传算法的神经网络训练过程误差图像分割结果参考文献,,,陈国良,王煦法,庄镇泉,等遗传算法及其应用北京潘正君,康立山,陈毓屏演化计算北京清华大学出版社,,李敏强,徐博艺,寇纪凇遗传算法与神经网络的结合系统工程理论与实践高隽人工神经网络原理及仿真实例第版北京机械工业出版社,许东,吴铮基于的系统分析与设计神经网络西安西安电子科技大学出版社,周开利,康耀红神经网络模型及其仿真程序设计北京清华大学出版社,周明,孙树栋遗传算法原理及应用北京国防工业出版社,欧阳玉梅,马志强,方若森基于的遗传神经网络的设计与实现信息技术刘建立,左保齐基于遗传神经网络的皮肤癌图像分割计算机工程与设计陈国良,王煦法,庄镇遗传算法及其应用北京人民邮电出版,雷英杰,张善文......”。

2、“.....马义德,齐春亮基于遗传算法的脉冲耦合神经网络自动系统的研究系统仿真学报人民邮电出版社,,,,,,,,决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。非常定性人工神经网络具有自适应自组织自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。非凸性个系统的演化方向，在定条件下将取决于个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。神经元处理单元人工神经网络中，神经元处理单元可表示不同的对象，例如特征字母概念，或者些有意义的抽象模式。网络中处理单元的类型分为三类输入单元输出单元和隐单元......”。

3、“.....不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是种非程序化适应性大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学思维科学人工智能计算机科学等多个领域的交叉学科。并行分布式系统人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉非结构化信息方面的缺陷，具有自适应自组织和实时学习的特点。三遗传神经网络神经网络的应用正向大规模复杂的形势发展,目前设计网络的方法已远远不能满足需要,需要高效的自动设计方法。近几年,出现了些优化网络结构和权值的方法......”。

4、“.....它们共同的思路是通过删减网络的神经元或连接来降低网络复杂度并改善网络的性能,但这些方法的效率不高且很难主要对特定类型的类图像进行分割。如，在副含有苹果和草莓的图像当中，分割出苹果或者草莓在副含有人的图像中，分割出肤色区域。在本例中，主要将其用在医学图像的分割上。在分割之前要做好两项工作是提取前景和背景的特征值二是用提取好的特征值进行遗传神经网络训练。提取特征值主要通过手工对图像进行分析，确定前景色的范围和背景色的范围，然后把前景色和背景色按顺序存入个数组中，生成的这个数组就为训练样本数组。然后再建立个同样大小的数组，来保存样本的特征值。如果为前景则特征值为，背景色特征值为。遗传神经网络训练将上步提取好的样本值和特征值送入遗传神经网络进行训练。遗传神经网络首先在权值阈值的值空间中，搜索出组最合适的权值和阈值，将此设置为神经网络的初始权值阈值。然后再进行训练......”。

5、“.....或者达到最大迭代次数。此时的神经网络是最优的。图像分割可以将图像分割看成个分类的过程。图像中的每个像素是个待分类的样本，将这个样本送入遗传神经网络进行分类，将输出个特征值，这个特征值决定该样本属于其中类的概率。可以决定，如果该值大于，那么认为它是前景，否则它就是背景。式中分割后的图像。代码实现用于产生样本文件遗传神经网络训练示例,神经网络分割示例,传统训练出现的找到最优的网络结构和权值的组合。遗传算法的发展使神经网络结构和权值的优化有了个崭新的面貌,它的搜索能够遍及整个解空间,容易得到全局最优解。用遗传算法优化神经网络,可以使神经网络具有自进化自适应能力,从而构造出进化的神经网络,本文将提出种基于遗传算法的多层前馈神经网络结构和权值同时进化的方法此方法给出了前馈神经网络个体的编码方式,在适值函数的设计中考虑了网络的结构训练误差及网络的泛化能力等因素......”。

6、“.....小生境技术等来改善算法的性能。对遗传算法的改进与算法相比,遗传算法显示出很强的鲁棒性以及解空间的并行性等优点,从而能较快地找到问题的个较优解。然而对于较复杂的问题,由于遗传算法随机搜索的特征,其局部爬山能力较差。所以,我们对交叉变异算子做了改进,使其具备了定的判断能力,具体的改进方法如下。用轮转法选择父代中的两个个体进行遗传操作,若这两个个体进行了交叉操作,则对这两个父代个体再进行次交叉操作,即对这两个父代个体分别进行了次交叉,得到了种交叉结果,每次交叉产生的两个子代的适应值分别记为,。然后选出,值最大的组结果记为,与父代的两个个体比较,如果父代两个体的较高适应值大于的较高适应值,则选择父代的两个体作为新代的两个个体,否则将中的两个体作为新代的两个个体。这样做的目的是针对父代中的两个个体为其选择较好的交叉方式以产生更好的后代......”。

7、“.....则将父代个体复制到下代。为了避免个别高适应值个体的多次复制到下代以使种群多样性退化,要为每个体设标志位,以保证该个体只复制次到下代。变异操作的改进类似交叉操作的改进,以选出较好的变异结果。四图像分割基于遗传神经网络的图像分割遗传神经网络在特征分类方面，有着非常广泛的应用。通过先期的学习，能够通过分类得到特定的对象和特征。将其用在图像分割上面些性质，已被人们广泛地应用于组合优化机器学习信号处理自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。对于个求函数最大值的优化问题求函数最小值也类同，般可以描述为下列数学规划模型遗传算法式中为决策变量，为目标函数式，式为约束条件，是基本空间，是的子集。满足约束条件的解称为可行解，集合表示所有满足约束条件的解所组成的集合，称为可行解集合。遗传算法的基本运算过程如下初始化设置进化代数计数器，设置最大进化代数......”。

8、“.....个体评价计算群体中各个个体的适应度。选择运算将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下代或通过配对交叉产生新的个体再遗传到下代。选择操作是建立在群体中个体的适应度评估基础上的。交叉运算将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。变异运算将变异算子作用于群体。即是对群体中的个体串的些基因座上的基因值作变动。群体经过选择交叉变异运算之后得到下代群体。终止条件判断若,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。遗传算法特点遗传算法是解决搜索问题的种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为首先组成组候选解依据些适应性条件测算这些候选解的适应度根据适应度保留些候选解，放弃其他候选解④对保留的候选解进行些操作......”。

9、“.....上述几个特征以种特殊的方式组合在起基于染色体群的并行搜索，带有猜测性质的选择操作交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。遗传算法还具有以下几方面的特点遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定......”。