BP神经网络学习效率的研究.docVIP

BP神经网络学习效率的研究 　　摘要：为了对BP神经网络学习效率进行研究，利用一个特定的半球面方程案例，对隐层单元数、传递函数、测试集样本点数这三个变量对BP网络学习效率影响程度进行分析。通过3次实验，实验一只改变一个变量、实验二同时改变两个变量，实验三同时改变三个变量来比较实验的运行时间，实验误差，记录实验结果，并进行了实验分析，得出BP神经网络学习效率最佳时的参数取值。结果表明当隐层单元数为8、传递函数为tansig、测试集样本点数为16时，BP神经网络学习效率最佳。 　　Abstract： In order to study the learning efficiency of BP neural network， a specific case of hemispherical equation was used to analyze the impact of three variables， ie， the number of hidden layer units， the transfer function and the number of test sample points on the learning efficiency of BP network. After three experiments， one variable was changed in experiment one， two variables were changed in experiment two and three variables were changed in experiment three at the same time to compare the running time and experimental error of the experiment. The experimental results were recorded and analyzed experimentally to get BP The parameter value of the neural network to learn the best efficiency. The results show that BP neural network has the best learning efficiency when the number of hidden layer units is 8， the transfer function is tansig， and the number of test samples is 16. 　　?P键词： BP神经网络；球面；效率分析 　　Key words： BP neural network；sphere；efficiency analysis 　　中图分类号：TP301.6 文献标识码：A 文章编号：1006-4311（2018）12-0183-04 　　0 引言 　　人工神经网络是一个数学模型，它通过模拟真实的人脑神经网络来进行信息处理。人工神经网络具有以下四个基本特征：非线性、非局限性、非常定性和非凸性[1]。相比于其他数学模型，它的优点在于：①具有自学功能。例如只需要将所有识别的对象及结果输入进去，通过自学习功能，则会具备识别该类对象的能力。②具有联想储存功能。③能够快速地寻找到最优解[2]。 　　BP神经网络是人工神经网络的一种比较典型的学习算法，是一种多层前向神经网络，神经网络的神经元采用的传递函数可以实现输入与输出间的任意非线性映射，在模式识别、风险评价、自适应控制等方面有着最为广泛的应用[3]。而效率问题是BP神经网络的一个重要的问题，基于此，本文对BP神经网络学习效率影响因素研究具有一定的意义。 　　1 BP神经网络原理 　　BP算法作为人工神经网络的一种比较典型的学习算法由一个输入层、多个隐含层和一个输出层组成。各层由若干个神经元（节点）构成。每一个节点的输出值由输入值、作用函数和阈值决定[4]。BP网络的学习过程包括信息正向传播和误差反向传播两个过程，在正向传播过程中，输入信息从输入层经隐含层传到输出层经作用函数运算后得到输出值与期望值比较，若有误差则误差反向传播，沿原先的连接通路返回，通过逐层修改各层神经元的权值减少误差[5]。如此循环直到输出的结果符合精度要求为止。 　　BP网络的存储信息主要体现在两个方面，一是网络的体系结构，即网络输入层-隐含层和输出层节点的个数，二是相邻层节点之间的连接权值。影响网络结构的主要参数是隐含层的节点个数、学习率和系统误差。输入层和输出层节点个数由系统应用决定（一般来说是确定的）而隐含层节点个数由