翟龍飛 陳迎春 楊沖 閆心寶
摘 要:人工神經(jīng)網(wǎng)絡是一種新型的信息處理技術,具有先進的建模技術,但網(wǎng)絡自身存在的不足影響了其進一步的發(fā)展和應用。本文詳細研究了標準BP神經(jīng)網(wǎng)絡,并提出了網(wǎng)絡性能的改進著眼點。
關鍵詞:BP神經(jīng)網(wǎng)絡 網(wǎng)絡模型 網(wǎng)絡訓練
中圖分類號: TP183 文獻標識碼:A 文章編號:1003-9082(2016)03-0004-01
人工神經(jīng)網(wǎng)絡是一個由簡單數(shù)據(jù)處理單元相互連接組成的龐大信息處理計算模型,該網(wǎng)絡通過歷史知識的不斷輸入和人工網(wǎng)絡對于運算的自適應調(diào)整來實現(xiàn)有用運算。
一、神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡具有自主學習性質(zhì),對于特定運算具有高效運算能力。因此,人們以信息在神經(jīng)系統(tǒng)處理過程為啟發(fā),利用計算機系統(tǒng)構(gòu)建了類似的分級計算層次結(jié)構(gòu),即人工神經(jīng)網(wǎng)絡。
神經(jīng)網(wǎng)絡構(gòu)造可分為神經(jīng)元模型、網(wǎng)絡模型構(gòu)造兩部分。
1.神經(jīng)元模型
神經(jīng)元(神經(jīng)細胞)是神經(jīng)網(wǎng)絡的基本信息處理單元,它是神經(jīng)網(wǎng)絡的設計基礎
2.網(wǎng)絡結(jié)構(gòu)模型
網(wǎng)絡結(jié)構(gòu)模型由逐個神經(jīng)元連接構(gòu)成,其能對信息的多神經(jīng)元融合處理傳輸,因此使得信息處理具有一定的魯棒性。從網(wǎng)絡結(jié)構(gòu)連接方式上,可將人工神經(jīng)網(wǎng)絡分為前饋型網(wǎng)絡和反饋型網(wǎng)絡。
二、網(wǎng)絡模型構(gòu)建
1.BP網(wǎng)絡的結(jié)構(gòu)分析
將BP神經(jīng)元組合就構(gòu)成了多層BP神經(jīng)網(wǎng)絡,圖3給出了一個單隱層的三層神經(jīng)網(wǎng)絡模型。
2.BP網(wǎng)絡的算法分析
2.1神經(jīng)網(wǎng)絡的性能函數(shù)
神經(jīng)網(wǎng)絡的網(wǎng)絡性能是以均方誤差MSE作為評價標準,同時兼顧網(wǎng)絡訓練時間。以下為網(wǎng)絡輸出誤差數(shù)學表達:
(6)
2.2神經(jīng)網(wǎng)絡中神經(jīng)元權值與輸出誤差關系
由(8)可以看出,網(wǎng)絡輸出誤差E是各層權值 、 的函數(shù),因此通過調(diào)整權值來得到較小E的值,從而實現(xiàn)數(shù)據(jù)擬合精度提高。
三、影響B(tài)P網(wǎng)絡性能的關鍵因素
1.網(wǎng)絡訓練的擬合性能分析
眾多研究表明,網(wǎng)絡的泛化能力主要與隱層數(shù)以及各隱層神經(jīng)元個數(shù),樣本大小和訓練次數(shù)有關。本文研究針對短波數(shù)據(jù)進行的擬合預測分析,訓練目標是最好的接近實際數(shù)據(jù)。因此,本文以訓練得到最低均方誤差為目的。
2.數(shù)據(jù)集的選定
訓練樣本集的選取以及處理對于神經(jīng)網(wǎng)絡的擬合結(jié)果有著重要的影響。在選取輸入樣本變量時,變量應具有以下特點:
①樣本數(shù)據(jù)大,即擁有較大的置信空間;
②輸入變量之間相關性要低。
需要對選定的樣本進行預處理,以便進一步優(yōu)化網(wǎng)絡性能[2]。
3.網(wǎng)絡初始化
網(wǎng)絡初始化包括對于權值和閾值的初始化,其初始值決定著網(wǎng)絡訓練過程中在誤差曲面上的初始移動點,由于誤差曲面的不均勻性質(zhì),一個好的網(wǎng)絡初始值能夠使得網(wǎng)絡收斂速度更快,網(wǎng)絡收斂目標更優(yōu),一般BP網(wǎng)絡初始化是隨機的,從而導致了網(wǎng)絡差異化大,網(wǎng)絡容易陷入局部最優(yōu)不能達到最終收斂的目的,同時也造成網(wǎng)絡訓練的不穩(wěn)定。因此在實際應用中,可以多次訓練選擇最終誤差性能最小的網(wǎng)絡初始值,保證了網(wǎng)絡的訓練結(jié)果。
4.網(wǎng)絡的訓練速度
影響網(wǎng)絡訓練速度的主要因素在網(wǎng)絡結(jié)構(gòu)、網(wǎng)絡訓練算法以及網(wǎng)絡參數(shù)。
為了保證較短的訓練時間,選取隱含層和隱層節(jié)點數(shù)盡量少,但若設計網(wǎng)絡是結(jié)構(gòu)過于簡單會造成網(wǎng)絡學習樣本的能力不足。然而過大的話,則導致網(wǎng)絡學習的時間加長,學習出現(xiàn)過適配現(xiàn)象[3]。目前可以采取試湊和對比的方法確定適合于該模型的網(wǎng)絡結(jié)構(gòu)。
網(wǎng)絡訓練算法體現(xiàn)了訓練點在誤差曲面的移動路線和方式上,是網(wǎng)絡擬合性能的關鍵因素。
5.網(wǎng)絡性能的檢驗
在標準BP神經(jīng)網(wǎng)絡中,當輸出誤差穩(wěn)定到網(wǎng)絡誤差性能函數(shù)以下時,認為是網(wǎng)絡訓練成功。通過對和訓練數(shù)據(jù)同一來源的檢驗樣本進行仿真預測,用預測值與期望值求得誤差性能函數(shù)MSE來反映性能分析。對于一個網(wǎng)絡的評價指標主要在網(wǎng)絡的訓練速度和網(wǎng)絡的擬合精度上。
參考文獻
[1] Simon Haykin著. 神經(jīng)網(wǎng)絡原理[M]. 葉世偉等譯.第二版.北京:機械工業(yè)出版社,2004.1: 1~8.
[2] 施顏,韓立群,廉小親編著.神經(jīng)網(wǎng)絡設計方法與實例分析[M] 北京:北京郵電大學出版社, 2009,12:23~36.