3人工神经网络综合评价模型的建立-Read.doc

神经网络论文 姓 名： 指导老师： 内容摘要：初步研究神经网络模型的构造方法，并利用多输入单输出切比雪夫神经网络模型建立世界干散海运量各年的海运量预测模型解决具体问题 关 键 字：神经网络 切比雪夫多项式 神经元 输入节点 输出层接点Y BP ANN 一：.问题的提出 世界干散海运量1986—1996年各年海运量如下表所示: 试建立预测模型，要求能通过输入以前几年的数据预测出今后某年的海运量预测数据。 二：.一般人工神经网络综合评价模型的建立 1）　人工神经网络模型的结构 人工神经网络（ANN）基本原理是受生物大脑的启发，试图模仿人脑神经系统的组成方式与 思维过程而构成的信息处理系统，具有非线性、自学习性、容错性、联想记忆和可以训练性 等特点。ＡＮＮ模型的处理能力主要由网络的拓扑结构和网络节点的功能所决定。理论上已 证明，只要具有一个隐层的ＡＮＮ网络即可实现对任意实值的逼近，实现任何非线性映射。BP神经模型即误差后向传播神经网络是神经网络模型中使用最广泛的一种。网络由输入节点、隐 层节点和输出节点组成。其中隐层可以是一层，也可以是多层。对于输入信号，要向前传播 到隐层节点，经作用函数变换后，再把隐节点的输入信号传播到输出层节点，再通过节点的作用函数得到最后的结果。 2.）　BP网络学习算法 　 由于常用的BP算法存在收敛速度慢和局部极值等缺点，使得在实际应用中BP算法很难应用， 因此，出现了许多改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法； 另一种则是采用更有效的优化算法。标准BP算法实质是一种简单的最速下降静态寻优算法，在 修正权值或权值向量w(k)时，只是按照时刻的负梯度方式进行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛缓慢。其收敛速度慢的一个重要原因是学习率选 择不当，学习率选得太小，收敛太慢；反之，则有可能修正过速，导致振荡甚至发散。 3.）模型建立思想 我们将上述数据分成5个样本如下： 样本1 Z1=（1399，1467，1567，1595，1588） d1=1622 样本2 Z2=（1467，1567，1595，1588，1622） d2=1611 …… 样本5 Z5=（1622，1611，1615，1685，1789） d5=1790 即将连续5年的数据作为一个预测样本数据，取第6年的数据为理想数据。通过神经网络由前面5年给出的数据给出第6年一个预测值，并与第6年的实际数据比较得到一个差值，将各组样本所得预测值与实际值的差值平方求和，记为J作为训练指标，若训练指标没有达到要求的精度，则修改神经网络的权值，并重新计算新的训练指标，直到达到精度为止。此时，神经网络学习完毕，自次，向神经网络输入一组样本，便能得到比较精确的下一年的预测值。 我们采用多输入单输出切比雪夫神经网络模型建立世界干散海运量的预测模型，其网络模型结构如下图所示。 w1 T1 x1 …… net Ti Y xn wn Tm 在本例中，我们采用5*1*6*1算法结构,图示中包含了x1到xn的5个输入节点，用于输入1个样本中用于预测的前5年数据，即用于预测第6年数据的前5年数据,Wi为对应于每个输入节点Xi的权值，Tj为该网络模型中设置的6个隐层节点（也即隐神经元），对应每个隐神经元都有一对应的权值Cj。Y为预测输出结果。 对于各输入信息Xi，它们经过带权叠加得到 net信息，将net向前传播到各隐神经元Ti ，再经过作用函数 Tj(net)并求带权叠加和变换后将隐节点的输入信号传播到输出层接点Y，从而对应于一组样本得到一个预测值Y。其中Tj为切比雪夫多项式函数模型，其多项式函数如下所示： T0（x）=1; T1（x）=x; T2（x）=2x2-1 ; T3（x）=4x3 –3x; T4（x）=8x4 -8x2 +1; T5（x）=16x5 -20x3+5x; ………………….. 输入上面所设的5组样本Zl(l=1,2..5)，通过神经网络变换将会得到5个对应的预测值Yl,将各Yl与对应各组样本的dl（理想输出值）相减，所得值记为el,即el=dl-yl;将各所得的el按平方求和得到J，即 J即为此神经网络的训练指标，当J小于一任意指定小的ε时，则学习结束，否则转入下 一步：调整神经网络各部分权值Cj和Wi。通过J的函数表达式对Cj求偏导得到 △Cj =η* el* Tj（net）; 对Wi求偏导得到△Wi=η* Cj * el* Tj’（net）;将它们分别分别与Cj和Wi相加便得到了一组新的Cj和Wi