神经网络拟合函数方式地研究.pdfVIP

’_——第8届全国青年管理科学与系统科学学术会议论文集 神经网络拟合函数方式的研究 邵良杉，王军，孙绍光 (辽宁工程技术大学辽宁阜新123000) 摘要现实生产生活中往往有很多对现实生产、生活相当有用的规律，只知道外 在表征，无法确定内部形式。解决这类问题，人们通常采用函数模拟。神经网络优 异的函数拟合能力使它成为对具体形式来知的函数进行模拟的最佳选择之一。神 经网络利用样本点输入输出的对应关系训练网络，使其达到在容忍范围内良好的 模拟效果，从而可以利用该网络模拟事物的响应特性。然而由于维度的差异，即使 对简单的二元线性函数进行模拟也未必得到预期效果。文中以一个标准二元线性 函数为倒，对神经网络以高维“面”拟舍低维“线”的方式进行了论证；提出当存在维 度差异时，好的数据拟合效果并不能代表合适的函数模拟效果；强烈建议在实际工 程应用中数据采用“面”采集方式。 关键词神经网络；“面”采集；线性传输函数 I问题的提出 在实际工程应用中，人们往往通过采样取点的方式来获得对某一事物特性的了解。如 果实现知道事物的这些特性所遵循的数学或统计规则，就可以利用这些规则建立数学模型。 而一旦知道了事物的行为中存在某种数学模型，就可以利用该模型对事物的未知行为进行 预测。但是当无法预先确定这种规则时，应用传统的建模方法就无法实现模型的建立。神 经网络隐层节点的良好性能及优异的函数拟合能力使它成其为对未知事物规则进行模拟的 最佳选择之一[1埘。 事物对某些属性取值情况所对应的表现可以广义地用函数模型来表示．设属性x一 x到l，的映射便组成了一个函数模型。但是这个模型只足形式的，还没有相应的对应规则， 对应规则才是一个函数模型最本质的东西。然而在很多非纯理论研究领域，对规则的具体 形式并不太关心，只要知道输入输出的这种对应关系就行了。 神经网络利用样本点输入输出之间的对应关系训练网络，使该网络达到与真实事物在 容忍范围内一致的响应性能．从而可以利用该网络结构模拟事物的响应特性，也称为虚拟现 实。通过这个与实际事物相一致的模型就可以达到对未知情况的预测作用。 神经网络进行函数拟合的能力是非常强大的，“对于2层单输出MLFN，无论隐层取 [基金项目]辽宁省自然科学基金。 961 [作者简介]邵良杉(1 )，男．辽宁凌海人，教授．博士生导师，丰要从事系统T程、人工智能等领域的研究。 据挖掘、决策支持。 924 意精度逼近任何有限支单值连续单输出函数”口“]；“Cyhenko证明了具有单隐层任意固定的连 续sigmoid非线性函数的反传MLP，可以以任意精度逼近紧集上的任何连续函数”口]。 设n维空间中的一个多输入、单输出函数F为： F：x一(z1，~r2，…，z。)1∈R“F(X)ER (1) F是紧集上的连续函数，则F可被神经网络以任意精度逼近。然而这种逼近是不是唯一? 逼近是以怎样的方式进行?对这方面的探讨还比较少，本文将着重在这方面进行—些研究。 2线性函数拟合方式 线性神经网络是神经网络中最简单的一种神经网 络。线性问题是我们在现实世界中处理得最多的一类 问题，同时也是处理更为广泛的非线性问题的基础。利 用单层、线性传输函数的神经网络可以非常方便地识别 出高维线性函数的参数。线性传输函数如图1所示，它 a=purelin(a) 使输入等于输出。 图1线性传输函数 没在定义域DCR，X--(z1，372，…，z。)7且z，，i 一1，2，…，71相互独立，则”维线性函数一般形式为： (2)