基于Matlab的改进BP神经网络及其应用.pdfVIP

第 26卷 第 1期 西 华 师 范 大 学 学 报 ( 自 然 科 学 版 ) 2005年 3 月 Vo l26 　 No1 Jou rnal of Ch ina W e st Norm al U n iversity (N atu ral Science s) M ar 2005 文章编号 : 100 18220 (2005) 0 1007004 基于 M atlab 的改进 BP神经网络及其应用① 范 　磊 ,张运陶 ,程正军 (西华师范大学应用化学研究所 , 四川 南充 637002) 摘 　要 :讨论了 B P神经网络及几种改进 B P 神经网络性能的算法. 用 M atlab 编制出相应的 B P 神经网络算法程 序 ,并将其用于处理紫外分光光度法同时测定 Fe, Co, N i, Cu , V 的实验数据 ,结果表明 L - M 法收敛最快 ,精度最 高. 关键词 : B P神经网络 ;M atlab;多组分同时测定 中图分类号 : TP - 399　　　文献标识码 : B ( ) 人工神经网络 A rtificial N eu ral N etwork ,简称 ANN 是基于模仿生物大脑的结构和功能而构成的一种信 息处理系统. 它具有信息的分布存储 、并行处理以及 自学习等优点 , 已经在信息处理 、模式识别 、智能控制及 系统建模等领域得到越来越广泛的应用 [ 1 - 4 ] . 近年来 ,有越来越多的化学工作者开始将 ANN 应用于解决化 学问题 ,并取得了一些成果. B P神经网络是 目前应用最多的神经网络 ,它采用多层前向网络的反向传播算 法 ,优点是只要有足够的隐层和隐结点 , B P 网络可以逼近任意的非线性映射. 但 B P神经网络易出现学习速 度慢和陷入局部最小区及对参数选择敏感等问题. 为此 ,人们对 B P 算法进行了许多改进. 改进主要有两类 : 一类采用启发式技术 ,如附加动量法 、自适应学习率法 ;另一类是采用数字优化技术 ,如共轭梯度法 ,拟牛顿 ( ) [ 5 ] 法 、L evenberg - M arquardt L - M 法 . 本文讨论了几种改进的 B P 算法 ,利用 M atlab 编制了仿真程序 ,并把 它们用于多组分同时测定中 ,取得了良好的效果. 1　标准 B P算法及其改进 1. 1　标准 B P算法 [ 6 - 7 ] B P神经网络的学习过程分为信息的正向传播过程和误差的 反向传播过程两个阶段. 外部输入的信号经输入层 、隐含层的神 经元逐层处理向前传播到输出层给出结果. 如果在输出层得不 到期望输出 ,则转入逆向传播过程 ,将实际值与网络输出之间误 差沿原来联结的通路返回 ,通过修改各层神经元的联系权值 ,使 误差减少 ,然后再转入正向传播过程 ,反复迭代 ,直到误差小于 给定的值为止. 以一个三层网络为例, 网络由 N 个输入神经元, K ( ) 个隐层神经元, M 个输出神经元组成 如图 1 . O2 和 O 1 分别 pm p k 为输出层和隐层的输出值 , w 2 和 w 1 分别为隐层到输出层和输入层到隐层的连接权值 ,设输入学习样本为 km nk x ,其对应的希望输出值为 t . p n pm 标准算法步骤如下 : ( ) μ ε 1 初始化权值 ,设定学习率 , 允许误差 , 最大迭代次数, 置循环步数 i