matlab神经网络和优化算法：65遗传神经网络图像分割.zip

function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x) % 将遗传算法的编码分解为BP网络所对应的权值、阈值 % x　为一个染色体 % W1 为输入层到隐层权值 % B1 为输入层到隐层阈值 % W2 为隐层到输出层权值 % B2 为隐层到输出层阈值 % P 为训练样本 % T　为样本输出值 % A1 为输入层到隐层误差 % A2 为隐层到输出层误差 % SE 为误差平方和 % val 为遗传算法的适应值 [P,T,R,S1,S2,Q,S]=nninit; % 前S1个编码为W1 for i=1:S1, W1(i,1)=x(i); end % 接着的S1*S2个编码（即第R*S1个后的编码）为W2 for i=1:S2, W2(i,1)=x(i+S1); end % 接着的S1个编码（即第R*S1+S1*S2个后的编码）为B1 for i=1:S1, B1(i,1)=x(i+S1+S2); end % 接着的S2个编码（即第R*S1+S1*S2+S1个后的编码）为B2 for i=1:S2, B2(i,1)=x(i+S1+S2+S1); end % 计算S1与S2层的输出 [m n] = size(P) ; sum=0; SE=0; for i=1:n x1=W1*P(i)+B1; A1=tansig(x1); x2=W2*A1+B2; A2=purelin(x2); % 计算误差平方和 SE=sumsqr(T(i)-A2); sum=sum+SE; end val=10/sum; % 遗传算法的适应值