用神经网络模型来预测分数阶导数与分数维之间的关系.pdfVIP

中国力学学会第五届全国 50114 多相流、非牛顿流体、物理化学流学术会议 用神经网络模型来预测分数阶导数与分数维之间的关系 宋道云 方波 江体乾 (华东理工大学化工所流变室，上海 200237，电话:(021dysongOwebpc.edu.cn) 摘要:用水驱替非牛顿流体溶液而产生的粘性指进图案，用数盒子法得到分数维.同时用分数阶导数 本构方程来描述上述非牛顿流体的流变特性。利用反向传播神经网络模型BP将分数阶导数与分数维 联系起来. 关键词:BP网络模型，分数阶导数，分数维 1人工神经网络模型及BP模型简介 1.1人工神经网络模型 (ArtificialNeuralNetwork)tt,xs1 ANN 由大量的相互连接处理单元 (也叫节点、神经元、细胞、单元)构成。根据 结构可分为前向和反馈型网络:根据学习算法可分为有导师学习、无导师学习及强化 学习 (严格地说，强化学习是有导师学习的一种特殊情况):根据网络状态可分为连续 性网络和离散性网络;按网络活动方式，可分为确定性网络和随机性网络。人工神经 网络主要用途:模型和预测，也可以看成是映射或黑箱:模式识别:数据聚簇、压缩; 组合优化;信号处理等。 1.2误差向后传播 (BackPropagation) BP网络模型属于前向有导师的神经网络，是神经网络模型中使用最广泛的一种， 由Rumellmrll1等人发展起来的，属特殊多层感知器模型 (Multi-laverPerception) MLPts.6.71。一般分为输入层、隐层和输出层，各层仅与该层下层采用全互连方式相连 不允许同层单元、反向、越层相连。一个典型的BP神经网络由一个输入层、一个隐层 和一个输出层构成，如图1所示。 当给定网络的输入向量时，该向量由输入单元传入隐层单元，再由隐层单元逐层 处理后传到输出单元，由输出单元处理后产生输出向量。如果输出值与期望值之间有 误差，首先修正隐层与输出层之间的权值，然后修正隐层与输入层之间的权值，误差 是反向传播的.BP由此而得名。在图1中，、{表示输入层I结点的输入，Yn表示隐 一 127一 一--一~~~~~~ 层“结点的输出，Y{表示输出层」结点的输出，寸表示期望值，上标k表示训练对的 序号。呱表示隐层h结点与输入层I结点连接权值，陈表示输出层i结点与隐层h结 点之间的权值。 图1三层BP网络结构示意图 Yh=。干W〔:卜k· 川 Yk二、Chw},yh) ) 2 ( F,,FZ可以是线性函数F(s)二s，Sigmoid函数F(s)= 或双曲正切tansig函数 l+e- 1一e2 1+e一夕，，也可以是径向基函数F(s)=e/po隐层结点处理函数一般为Sigmoid 或双曲正切函数。输出层结点处理函数若选Sigmod函数，则输出结果压缩到[0,.1]c 若选双曲正切函数，则输出范围在[-1,+1];若选线性函数，则输出范围没有限制。式 (1)和 2〔)中，每个结点的门限值 (或阐值)归并为输入恒为l的权值，便于计算。 1.3算法改进 标准BP算法是一种简单的梯度下降静态寻优算法，主要的缺点是:收敛速度慢; 局部极值;难以确定隐层和隐结点的个数。BP算法的改进主要有两种途径:采用启发 式学习方法:采用更有效的优化算法。动量修正法可以降低网络对于误差曲面局部细 节的敏感性，有效地抑制网络陷于局部极小。在修正W (口时，只是按照t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，即以前时刻的剃度方向.从而常常使 学习过程发生振荡，收敛缓慢。为此有人提出了改进算法D.5-w1. w(t+1)=w(t)+a[(l一r1)D(t)+r1D(t一，