Bp神经网络在实验数据弥补方面应用.docVIP

Bp神经网络在实验数据弥补方面应用 　　摘要： 充分利用BP神经网络在数据拟合与预测方面的成熟应用，将这一理论应用到实验数据的弥补中，通过建立BP神经网络拟合已知实验条件和实验结果之间的数理统计关系，从而弥补出其它实验条件下的实验结果，在提高网络泛化能力的基础上，通过多个训练较好网络的预测值之间的比较择优选取预测值，从而提高预测数据的可靠性，节省具体实验的时间和成本。 　　关键词： BP神经网络；数据弥补；初期终止 　　中图分类号：R91 文献标识码：A 文章编号：1671－7597（2011）1110137－02 　　BP网络的学习算法称为反向传输算法（Back Propagation），即BP算法。网络除输入、输出节点外，有一层或多层的隐含节点，同层节点中没有任何耦合。图1是一典型的三层前馈网络[1]。输入信号从输入层节点依次经过各隐含层节点，然后传到输出节点。每一节点的输出只影响下一层节点的输出[2]。 　　 　　 　　图1典型的三层前馈网络训练过程 　　通常BP神经网络采用的是将样本集分成不相交的两个子集，一个为训练样本子集，另一个为验证样本子集；然后采用BP神经网络作为建模网络，用经验法确定其网络的拓扑结构；用训练样本子集训练网络，直到该网络的权空间稳定或变化很小，满足设置的误差精度为止；最后用验证样本子集对训练后的网络预测能力进行验证，合格者即为所求的预测模型。这种方法往往会出现这样的情况，当网络的训练误差很小的时候，一个新的输入会使网络的训练误差迅速增大，即在某种程度上导致所建网络对验证样本的过度拟合[3]。而在MATLAB神经网络工具箱中，提供了能够提高网络的泛化能力的方法，即初期终止（Early Stop）法。在该方法中，将训练样本分成三个集合。第一个集合叫训练（training）样本集，用于计算网络性能函数的梯度，以更新网络的权值和阈值；第二个集合叫确认（verification）样本集，通过该集合中样本的训练误差来确定最终点权值和阈值；第三个集合叫测试（test）样本集，该集合中的样本并不能用于网络的训练，而是用来检验网络训练结果[4-8]。训练时，训练样本集的均方误差永远呈下降趋势，确认样本集误差先降后升，当确认集误差刚刚开始上升时停止训练。这种方法综合考虑了训练集和确认集的影响，即保证了学习的稳定性又使网络有较好的预测性。 　　1 具体应用 　　某钢厂“脱硅渣制取硅钾肥”工艺在实验研究阶段，由于实验条件比较复杂，包含有多种因素：氧化钾含量、实验温度、保温时间，缓释天数等，各个因素又有不同的状态，它们互相交织在一起相互影响，为了寻求合适的生产条件，就要对各种因素的不同状态组合全部进行实验。但是由于实验条件的限制，实际实验中所选取的反应条件十分有限，获取的实验数据偏少（共76组数据），此外，由于实验机理复杂等因素的影响，有部分数据的实验设计编排不够合理，从而导致数据分析困难。因此，要想科学的分析确定该工艺的最佳反应条件，就必须对原有数据进行适当补充。补充数据的过程即是运用BP神经网络运用已有实验数据拟合训练网络，进而对其他实验条件下的实验结果进行预测。 　　预测过程为：首先，确定BP神经网络的拓扑结构，本文采用实验试错法从较大网络拓扑结构出发，逐步缩小网络拓扑结构直至获得合适的网络拓扑结为止，即选用的拓扑结构为（输入节点:隐节点:输出节点）：4:2:1，进而创建向前反馈网络： 　　net = newff（minmax（lulengIntern），[4，2，1]，{tansig purelin }，traingdx） 　　参数意义：minmax（lulengIntern）输入向量的取值范围；4-第1层的神经元个数；2-第2层的神经元个数；1-第3层的神经元个数；tansig-第一层传递函数；purelin-第二层传递函数；traingdx-BP网络训练函数。 　　其次，由于各实验因子的单位不同，各水平所处的数值范围也不同，而数值范围的不同对实验结果的影响程度也不同，为了消除这种差异首先需要将数据进行预处理，即将其归一化至[-1，1]内。归一化计算公式为： 　　 　　其中p为原数据变量，pn为归一化后的数据变量。 　　然后，将归一化后的数据共76个样本分成三个子集：训练子集（60 　　个样本），确认子集（10个样本），测试子集（6个样本），对已建网络进行训练，为了节省手动运行的繁琐，在程序中增加了循环函数，让程序自动重复运行，运行次数可自由设定，本程序设定了200次，同时增加了结构函数，用于保存每次运行后训练的网络信息以及训练过程曲线，可通过查看该运行结果，选取其中训练误差最小的网络进行下一步运算。 　　最后，将所要预测的各实验条件归一化，选取训练效果较好的网络对其进行