2.2釉样品的BP神经网络结构和预测结果-Indico.pptVIP

* * * * * * * * 应用BP神经网络鉴别古汝瓷和钧官瓷 李国霞① 郭 敏 ① 李融武② 赵维娟① 赵文军③ 郭培育③ 杨大伟④ ①郑州大学物理工程学院, 郑州 450052; ②北京师范大学物理系, 北京 100875; ③河南省文物考古研究所,郑州 450000 ; ④河南广播电视大学，郑州，450008 0.前言 河南省汝州市严和店窑是宋元时期北方重要的民用青瓷烧造窑场，出土的遗物以青瓷印花纹饰比较全, 包含了北方青瓷印花技术的概貌, 也为丰富北方青瓷印花工艺史增加了新的篇章。 河南省禹州市钧台窑以烧造钧官瓷而名闻天下，享有“黄金有价钧无价”之盛誉。 由于两窑口地理位置相近，又有一定的历史渊源关系，民间一直流传有“钧汝不分”之说。 为了能科学的区分严和店窑汝瓷和钧台窑钧官瓷，用EDXRF 技术测试了两窑口瓷器的主量化学组成，构建BP神经网络，实现了对钧官瓷和严和店汝瓷的鉴别。 1. 样品和实验 实验中选取由河南省文物考古研究所提供的钧台窑钧官瓷样品30个，严和店窑民汝瓷样品26个，釉色有淡天蓝、天青、月白、豆青、青泛蓝等，这些样品都具有一定的代表性。样品情况见表1。 用美国EDAX公司生产的Eagle-III型能量色散X射线荧光光谱仪（EDXRF）进行化学组成的测定，用该仪器随带的软件Delta–Ⅰ建立各元素的标准曲线，计算每个样品胎、釉中的Na2O、MgO、Al2O3、SiO2、K2O、CaO、TiO2、Fe2O3 8 种主量化学组成。 由于数据大小之间差异较大,为防止病态样本的出现, 首先应对样品数据进行归一化，归一化公式为: 其中 为样本数据真实值； 和 分别为该组数据中的最大值和最小值； 为归一化后的样本数据值。对于胎和釉归一化后的EDXRF 数据, 各自留下3个样品作为测试样本，其余样品作为训练样本。 2. BP 神经网络在古汝瓷和钧官瓷鉴别中的应用 人工神经网络是由大量简单的基本单元—神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。 BP (Back Propagation Netwo rk,反向传播算法) 神经网络是多层前馈型神经网络，上下层之间实现全连接，而每层神经元之间无连接，具有较强的自学习能力和处理非线性问题能力, 近年来在有关工程领域得到了广泛的应用。 BP网络权值的调整采用反向传播学习算法，即当一组学习模式提供给BP神经网络后，神经元的激活值从输入层经各个隐含层向输出层传播，在输出层的各个神经元获得网络的实际输出响应。 通过比较输出层各个神经元的实际输出与期望输出，获得二者之间的误差，然后按减少误差的方向，从输出层经各个隐含层并逐层修正各个连接权值，最后回到输入层。 这种“正向计算误差—反向传播误差”的过程不断重复进行，直至误差降低至可以接受的范围，BP神经网络的学习训练过程也就随之结束。 然后可用训练好的网络对待定样品进行预测。 本文所使用的仿真工具是MATLAB7.0 的神经网络工具箱，其功能强大便于进行模式识别的相关数值计算和图像处理。 2.1胎样品的BP神经网络结构和预测结果 2.1.1 胎样品的BP神经网络训练和网络结构 把BP神经网络应用于模式识别问题分为两个截然不同的阶段。第一阶段为网络训练和确定网络结构阶段，如图1所示。 图1. 网络训练阶段 每个样品的EDXRF数据有8个，所以输入层的神经元个数取为8。根据确定隐层神经元个数的参考公式和不同隐层训练误差情况, 隐层神经元个数取为6。由于只有严和店窑汝瓷和钧官瓷2类, 类别模式取为2，输出层神经元个数取为1。 根据不同函数的训练误差情况, 最后确定的基于胎样本识别的BP神经网络拓扑结构如表2所示。 网络结构 输入层 输出层 隐层 训练函数 隐层传 输出层传 神经元 神经元 神经元 递函数 递函数 单隐层BP 8 1 6 trainlm logsig logsig 表2. 基于胎样本的BP神经网络结构 其网络拓扑结构如图2所示。 图2. 胎样品的BP神经网络拓扑结构 2.1.2 胎样品的预测结果 第二个阶段为预测阶段，权值和阈值固定不变，把预测样品的数据输入到网络中，网络自动完成分类工作，网络预测阶段示意图如图3所示。 图3. 网络预测阶段 网络对6个胎测试样本的预测结果 用6