神经元网络在实验数据拟合中的应用.pdfVIP

， ‘E 维普资讯 ／ ^， 第 2l卷 第 2期 太 原 重 型 机 械 学 院 学 报 V0lJ．21 No2 2000年 6月 JOURNALOFTAIYUANHEAVYMACHINERYINSTITUTE Jun．2000 神经元网络在实验数据拟合 中的应用 周 楚童步 ● 。 I - _ — ～ 一 可p27乎 (太原重型机械学院，太原 030024) 摘 要：本文针对实验数据曲线拟合中函数形式未知和函数形式已知、系数待定两种 7 情况，提 出了采用神经网络进行数据曲线拟舍的方法，并分别以两个实例说明了所提 出的 方法的有效性。 关键词!壅竺苎量；苎 ；茎丝璺竺． 中图分类号：TP391．9 文献标识码 ：A 在工程测试和科学实验中，往往要对大量的数据进行处理以便从 中找出实验数据的因果 规律。由于测试数据受到测试条件和各种因素的影响，存在测试误差，寻找这些数据间的因果 关系，通常采线性回归方法得到解析的表达式。这时的曲线拟合问题可表述为在一类函数中 找到一个Y=，(z)，使得该函数的输出和所对应的测试结果的误差平方和为最小。即所谓 的最小二乘逼近问题。在解决实际问题时还存在另一种情况是实验数据间无明确的解析表达 式或不能用简单的解析表达式描述。对此类情况用传统的方法难以得到很好的结果。 近年来 ，神经网络的研究取得了很大的进展，且在工程中得到了广泛应用。神经网络的高 度并行处理能力，良好的非线性影射能力和可用于优化计算的特点，为实验的数据曲线拟合提 供了一种有效的工具 。 本文针对实验数据拟合中函数形式未知和函数形式已知、参数待定两种情况分别采用BP 网络和T_H网络进行拟合，并以两个实例说明了所提出的方法是行之有效的。 1 神经 网络实验数据拟合方法 1．1 函数形式未知时的曲线拟合 当实验数据 (z，Y1)，i∈翌 已经测试获得 ，但函数形式未知或难以解析表达时，常规的 方法难以解决。由于BP网络具有 良好的非线性逼近能力，已经证明一个三层的具有非线性 sigmoid函数的网络可以以任意精度逼近非线性连续函数。可以利用 BP网络的这个特点进行 收稿 日期：1999—07～12 作者葡介：周正民(1955一)，男。太原重型机械学院学生处工程师．主要从事工程维修方面的工作。 维普资讯 太 原 重 型 机 械 学 院 学 报 2000丝 曲线拟合。 一 个三层 BP网络如图 1所示 。 它是一个前 向网络 ，该网络可描述如下。 O = 盈 n = ∑啪lo南 n = ∑2u2，o _l (1) 图1BP网络结构 把测试数据对 (~27i，)作为训 练样本集，采用反传算法 ，使下列指标最小： E=告∑(Yl～ ) (2) 其中 Yl为对应输入五 的测试结果； 为网络的实际输出；m 为训练样本数。 网络在训练过程中通过反传算法不断调整权值 ，使 E最小。限定一个 E的值，当误差平方 和小于该值时，网络训练结束 ，这时BP网络便实现了对实验数据的拟合。由于BP网络的泛化 能力 ，即使对于测试数据之外的数据也同样具有较好的拟合效果。 在实际碰到的问题中。通常是单输入单输出问题，只要在图 1