基于神经网络的递推分块方法求任意高阶多项式的根.pdfVIP

E 辑 第33 卷 第 12 期 SCIENCE IN CHINA Series E 2003 年 12 月 基于神经网络的递推分块方法 求任意高阶多项式的根* 黄德双 中国科学院合肥智能机械研究所, 合肥 230031 池哲儒 香港理工大学电子资讯工程系, 香港 摘要 提出一种新的基于约束学习神经网络的递推分块方法, 来分批 块 求解任意 高阶多项式的任意数 小于多项式的阶 个根 包括复根 . 同时给出了基于多项式中根与 系数间的约束关系构造的用于求根的 BP 网络约束学习算法, 提出了对应的学习参数 的自适应选择方法. 实验结果表明, 这种分块神经求根方法, 相对传统方法, 能够快速 有效地获得任意高阶多项式对应的根. 关键词 递推分块方法 BP 网络 约束学习算法 Laguerre 法 Muller 法 Jenkins- Traub 法 自适应参数选择 高阶任意多项式 实或复根 多项式求根问题是信号处理中经常遇到的问题, 如滤波器和最小相位系统的设计 频谱 分析 语音信号处理 信道编码与解码等等. 迄今为止, 已经存在很多方法可以用来解决多 [1~5] 项式的求根问题 , 但是, 这些传统的方法一般都是基于Von Neumann 机串行处理原理设计 [4~6] 的 . 近年来, 一直受到普遍关注的人工神经网络 ANN 技术, 除了在模式识别 优化计算 [7~9] 无法用模型精确描述的非线性系统中获得传统方法无法比拟的成功应用外 , 也在由计算数 学而导致的神经计算学科上正得到迅猛的发展[10~12] , 如主分量分析 PCA 独立分量分析 ICA [13] 等 . 我们已经在文献[14~16] 中, 讨论了使用 ANN 来实现多项式的求根 包括复根 问题, 发 现这种具有并行处理结构的神经求根器, 对于低阶多项式能够在较短的时间内同时得到问题 的较精确的根. 从我们已经开展的“神经计算” 问题的研究结果来看, 相对传统方法来说, “神 经计算”方法具有以下优点: 1 使用具有并行结构的 ANN 能够使得问题的解“一次训练, 并行获取”. 目前我们是在 传统的 Von Neumann 计算机上进行模拟的, 在网络一次训练收敛到给定的满意精度后, 可以 同时获得问题的解, 即网络权矩阵, 而传统方法一般都是一次迭代只能获得一个解, 即两者的 计算原理不同. 显然, 将来基于并行处理原理开发的神经计算机, 将会更加显示“神经计算”方 法相对传统方法的优势. 2 传统求根方法主要是通过“ 收缩 deflation ” 的方法, 串行地一次求出一个多项式的根, [1] 然后再对剩余多项式求根 . 显然, 如果前一个根求得不太准确, 必将引起剩余多项式的系数 的误差, 这种误差累积, 必将导致所求根的精度的下降. 而 ANN 方法可以并行求根, 所以精 度必然比传统方法高. 200 1-08-20 收稿, 2003-08- 10 收修改稿 * 国家自然科学基金 批准号: 座机电话号码 和中国科学院“百人计划”专项经费资助项目 1116 中 国 科 学 E 辑 第33 卷 [1] 3 传统求根方法必须选择合适的根的初值, 否则算法不收敛 . 然而, ANN 方法, 特别 是我们提出的基于问题“先验信息” 的约束学习算法 CLA , 能够随机地选择根的初值. 因为这 种 CLA 的优点是通过问题的“先验信息” 的帮助, 来指导寻找问题的全局最小值解, 所以算法 不依赖于问题的初始值. 4 ANN 具有自适应 自学习的特点, 如果来自问题的数据稍微发生变化, 我们只要使 ANN 的权值根据新的数据, 继续进行权值的学习迭代即可, 无需从头开始. 而传统方法却需 要重新设计算法和从头选取初值. 所以“神经计算”方法具有随环境变化自适应调整权值的特 点. 综上所述, 可以推断, 与“神经计算”有关的应用基础研究, 是一项具有广泛应用前景, 并 有可能取得突破性进展的课题, 特别是基于问题“ 先验信息”来指导问题求解的“神经计算” 的 研究是一个崭新的研究方向, 应引起我们的足够重视和关注, 它的深入研究将对解决所有信 号处理中的大量的计算问题, 带来深远的影响, 因此, 具有非常重要的意义. 本文工作的出发点在于, 对于多项式阶数比较高的情况, 由于所设计的神经求根器的结 构非常复杂, 往往需要花费很长的训练时间才能得到问题的解, 因此, 本文提出一种新的递推 分块方法, 来构造相应的递推分块神经求根器, 以分块一次获得任意数个 小于多项式的阶 多 项式的根,