神经网络在数据拟合中应用.docVIP

神经网络在数据拟合中应用 　　[摘要] 相对于回归分析等方法，神经网络在拟合曲线的平滑度、精度等方面具有优势。本文通过两个实例，介绍了用BP人工神经网络来进行数据拟合处理的方法。表明采用神经网络方法进行数据拟合处理具有实用和精确的特点。 　　[关键词] 曲线拟合BP网络 　　 　　引言 　　在科研生产中，我们经常会处理这样一些数据，它们的特点是：有一组输入，并且有一组对应的输出，但由于受到各种确定和随机因素的影响，我们难于找到输入输出之间的对应关系，更无法用函数关系来表示对应关系。大多数情况下，人们用数学上的曲线拟合来解决这个问题，例如一元线性回归分析，二次曲线拟合等方法。但是实际中大多数对应关系很复杂，难于拟合或者拟合出的残差较大，而且这种曲线拟合方法难以处理具有多个输入多个输出的情况。 　　神经网络方法在处理这样的数据时具有优势。具有偏差和至少一个S 型隐含层加上一个线性输出层的BP人工神经网络能够逼近任何有理函数。我们可以利用BP人工神经网络来进行数据拟合处理，能够得到平滑的曲线，不会出现数据有极值点的现象。 　　一、BP人工神经网络的结构 　　BP网络是典型的多层网络，分为输入层，隐含层，输出层，层与层之间采用全互联方式，同一层神经元之间不存在相互连接，如图1： 　　 　　图1BP网络结构 　　二、BP人工神经网络在频率特性校正中的应用 　　我们以感应线圈的灵敏度-频率特性数据为例，说明BP网络的设计。为了纠正频率响应特性，需要找 　　到灵敏度-频率特性之间的对应关系，但由于物理变化过程十分复杂，很难找到它们之间的函数表达式，于是用BP人工神经网络拟合灵敏度-频率特性曲线，输入矩阵是一组频率数值，用T表示，输出矩阵是对应的灵敏度数值，用V表示。 　　1.选取神经元数：输入矩阵T有6个数据，是一个列向量，则输入层有一个神经元，如图1，是一个16×6矩阵；是偏差向量，隐含层的激活函数； 是输出层的向量，是输出层的偏差；输出层的激活函数；A2即V为输出目标矢量，有6个数据，输出层一个神经元。关键在于如何选取隐含层的神经元数。一般而言网络??含层神经元数越多功能越强，但也不能太多，经反复试验决定采用16个神经元。 　　2.确定激活函数：隐含层采用对数S型激活函数，输出层采用线性激活函数。 　　为隐含层的输出向量，隐含层神经元数设为i (i=16) , 其中第i个神经元的输出为 　　（公式1） 　　图5中，Tj 是输入矩阵c中的一个元素，代表一个浓度值，共有6个浓度值。 　　输出层神经元数设为k (k=1)，其输出为 　　（公式2） 　　误差函数定义为 　　（公式3） 　　 　　图2 频率-灵敏度曲线 　　3.BP网络训练：训练的目的是确定各个矩阵的权值，偏差值：BP网络，输入为频率值T，输出是灵敏度V， 数据取自标定实验，构成训练集： 　　输入矩阵T: [0,0.52,1.49,3.49,5.43,9.36] 　　输出矩阵V: [1,0.969,0.936,0.896,0.867,0.828] 　　用训练集训练网络，一般刚开始时网络训练时间比较长，有可能不成功，这就需要调整神经元数，初始矩阵，直到成功为止。会得到W1，B1，W2，B2几个矩阵，用得到矩阵再次训练……直到err goal = 0.000002 successfully训练成功 　　得到拟合的曲线，如图2所示。 　　4.测试BP网络：测试的目的是考察我们设计训练的BP网络性能，表1中有训练集和测试集的数据： 　　表1 训练结果 　　T BP网络输出的V 测试集的V T BP网络输出的V 测试集的V 　　0 1.0003 1 3.49 0.8955 0.8955 　　0.515 0.9683 0.9682 3.495 0.8954 0.8954 　　0.52 0.9681 0.9681 5.425 0.8671 0.8671 　　0.525 0.9678 0.9677 5.43 0.8671 0.8671 　　1.485 0.9366 0.9365 5.435 0.8670 0.8670 　　1.49 0.9365 0.9365 9.355 0.8279 0.8279 　　1.495 0.9364 0.9364 9.36 0.8279 0.8279 　　3.485 0.8956 0.8955 9.365 0.8278 0.8279 　　 　　从表中可以看出测试集数据精度达到0.0003。通过BP网络的运算可以预测出所有未知数据，也就是获 　　得了频率与灵敏度之间的对应关系，在此基础上，我们可以校正频率特性。 　　三、BP人工神经网络在蓄电池电压拟合中的应用 　　我们在对蓄电池