人工神经网络 - 湖南大学.ppt

隐层神经元数的选择 隐层神经元数的选择是一个十分复杂的问题。因为没有很好的解析式表示，可以说隐层神经元数与问题的要求、输入层与输出层神经元的数量、训练样本的数量等都有直接关系。事实上隐层神经元太少不可能将网络训练出来，但太多又使学习时间过长，使网络不“不强壮”，泛化能力下降，即不能识别以前没有直接接收到的样本，容错性差。 当隐层数为20×10和8×4时的训练结果: 隐层数为2节点数8×4 隐层数为2节点数20×10 图6-2 相同隐层数不同节点数训练误差曲线 神经网络模型的各层节点数分别为：输入层2个；第一隐层12个；第二隐层6个；输出层1个。 综合以上研究内容，建立光催化臭氧氧化处理自来水工艺神经网络模型如图6-3所示。 输入层 输出层 隐层 图6-3 BP网络模型 臭氧浓度 入口UV254 UV254去除率 1．学习率η和动量因子α BP算法本质上是优化计算中的梯度下降法，利用误差对于权、阀值的一阶导数信息来指导下一步的权值调整方向，以求最终得到误差最小。为了保证算法的收敛性，学习率η必须小于某一上限，一般取0η1而且越接近极小值，由于梯度变化值逐渐趋于零，算法的收敛就越来越慢。在网络参数中，学习率η和动量因子α是很重要的，它们的取值直接影响到网络的性能，主要是收敛速度。为提高学习速度，应采用大的η。但η太大却可能导致