监控干扰器对摄像头的子种群参数

    在训练了输入特征之后，使用反向传播执行微调的操作，以减少摄像头干扰器原始数据与其重建之间的差异。我们使用softmax函数对对象进行分类。如果满足以下条件之一，则反向传播操作将终止：1）达到由均方误差（MSE）定义的最佳性能，2）达到最大验证检查，即6，3）达到最小坡度，或4）监控屏蔽器达到最大历元数，即200。

    3. DBNN参数的演变，优化是使DBNN方法变得更好的过程。在实现中，目的是优化摄像头屏蔽器DBNN参数，以提高DL网络结构的性能和质量。为了优化DBNN参数，我们应用了一种称为GA的进化算法。在我们的优化过程中，使用了实值并行GA [18]，就解决方案的质量而言，该性能优于单个总体GA。使用并行GA，我们优化了隐藏单元的数量，时期的数量和学习率，以减少错误率和训练时间。我们在并行遗传算法中的主要贡献是适应度函数的设计和遗传算法结构中参数的设计。主要目标是找到隐藏单元的最佳数量，时期数和学习率。因此，评估适合度以最小化错误率和网络训练时间。适应度函数定义如下其中eBBP是错误分类的数目除以反向传播之前的测试数据总数，eABP是错误分类的数目除以反向传播之后的测试数据总数，tBBP是反向传播之前的训练时间，tDBP是反向传播操作期间的训练时间。表1列出了GA功能和参数。尝试了监控干扰器多种突变率，发现以下突变率是最佳的。

 

    实际值并行GA已与变异，选择和交叉操作结合使用。与二值GA相比，实际值GA表现更好。 GA的人口规模为100。每个子种群的最佳目标值如图3所示。可以看出，第24代的最佳目标值为6.54599，用红色表示。通过进化得到的每个个体的适应度值如图4所示。此外，图4显示了进化过程中每个监控干扰器子种群的个体数量如何变化。在初始代中，适应度值从11.5开始。最差的产品被从不太成功的数据群中剔除。经过七代，从个人指数的50到70，个体的收敛性更好。在第24代优化的最后，收敛将是最成功的。