- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于Tan-Sigmoid函数参数调整的BP神经网络改进算法
基于Tan-Sigmoid函数参数调整的BP神经网络改进算法
2006年1月
第29卷第1期
重庆大学(自然科学版)
JournalofChongqingUniversity(NaturalScienceEdition)
Jan.2006
VoI_29No.1
文章编号:1000—582X(2006)01—0150—04
基于Tan.Sigmoid函数参数调整的BP神经网络改进算法
罗兵,黄万杰,杨帅
(重庆大学经济与工商管理学院,重庆柏(
摘要:为提高BP神经网络的性能,对网络的联接权值w和神经元的tan—sigmoid转换函数的参
数,进行调整.使信息分布存储于权值矩阵及转换函数中,比传统的算法具有更强的非线性映射能
力.经严密的数学推导,给出了最终的改进算法公式和1个预测需求量的算例,结果表明,改进后的算法
能有效地减少隐层节点数,且能加快收敛速度和提高收敛精度.
关键词:BP神经网络;tan—sigmoid转换函数;分布存储
中图分类号:0231.2文献标识码:A
Rumelhart等…提出的传统BP(BackPropagation)
神经网络的收敛速度很慢,精度不高.现有的改进包括
网络结构和学习算法两个方面.网络结构的改进
主要在互连方式,转换函数及隐层节点,添加惯性冲
量,跳跃学习等方面;学习算法的改进主要有:Leven—
berg—Marquardt算法,拟牛顿法,弹性BP法,共轭梯
度法,自适应学习速率法等.
传统BP算法实质上是对Ⅳ(一般为联接权值矩
阵,以下均称为权值)进行调整,而假定各神经元的转
换函数是相同的和不可变更的,即信息仅分布存储于
w之中.生物的学习过程,除了各神经元细胞间联接
强度的调整外,其本身的响应特性也在变动和调整.过
去由于计算机内存等硬件条件的限制,为简化计算,一
般都假设生物体中所有神经细胞都具有相同且不变的
响应特性.而事实上,只要计算机的硬件条件允许,生
物体中各个神经细胞应视为具有可调整的响应特性,
这样可大大地提高BP神经网络的收敛速度和精度.
胡耀垓等在Rumelhart等…研究的基础上,提
出了对w和log—sigmoid转换函数参数的T,0同时进
行调整的改进算法,该算法克服了一些传统BP神经
网络的缺陷.笔者在胡耀垓等研究的基础上,对网
络的权值w和神经元一般形式的tan—sigmoid转换函
数参数如缩放系数,位移参数0等进行了调整.
1算法的数学推导
1.1网络的构成
BP神经网络由许多并行运算的简单神经元组成,
这些神经元类似于生物神经系统的神经元.虽然单个
神经元的结构简单,功能有限,但大量神经元构成的网
络系统所能实现的功能却非常强大.
BP神经网络e层拓扑结构如图1所示.图中口(i)
为输入层节点,i=1,2,…,m;口()为隐层节点,J=1,
2,…,P;口(k)为输出层节点,k=1,2,…,n(m,P,分
别为输入层,隐层和输出层节点数);为口(i)的输入
(也是输出);,f分别为口()的输入,输出;,Y分
别为口(k)的输入,输出;y为口(k)的期望输出;为
口(i)与a(j)之间的权值(以下称为隐层的权值);为
a(j)与口(k)之间的权值(以下称为输出层的权值).故
有:
=
∑XiW,(1)l=1
=
(),(2)
=
p
∑,i=1
Y=().
(3)
(4)
从式(1)一(4)完成了Xi一的映射.式中
+
收稿日期:2005—09—10
作者简介:罗兵(1964一),男,重庆人,重庆大学副教授,博士,主要从事物流与供应链管理和管理决策优化的研究.
第29卷第1期罗兵,等:基于Tan-Sigmoid函数参数调整的BP神经网络改进算法l5l
输
图1BP神经网络3层拓扑结构
分别为隐层和输出层的转换函数,一般为sigmoid函
数,包括l0g—sigmoid或tan—sigmoid转换函数,能将
(一∞,+∞)的输入分别映射到区间(0,1)和(一1,
+1)中.具体采用哪一种转换函数,要根据输输出
关系而定:当输出不含有负值时,采用l0g—sigmoid函
数;当输出含有负值时,采用tan—sigmoid函数.这些
转换函数反映了单个神经元的响应特性(即输输
出关系),人工神经网络的非线性映射能力正是来源
于此.
tan—sigmoid转换函数的一般形式为:
一
一
2,(,T,)==1一—-=面.(5)
e7+e一下1+e丁
缩放系数和位移参数0决定了单个神经元的响
应特性,与w结合形成功能强大的大规模并行信息处
理网络的整体功能.信息分布存储于各权值w及各神
经元转换函数中,在神经节点相同的情况下,比传统网
络具有更强大的信息分布存储能力及非线性映射能
力.神经网络的特点就在于信息的分布式存储和并行
协同处理.
对,(,T,0)关于
您可能关注的文档
- 基于matlab的AM—DSB调制与解调并用GUI实现.doc.doc
- 基于MATLAB的LPC分析语音信号处理实验报告.doc
- 基于MATLAB的BP神经网络的仿真与实现论文.doc.doc
- 基于matlab生成C代码的电机矢量控制仿真模型研究毕业设计论文.doc
- 基于MATLAB的回声信号产生器课程设计.doc
- 基于Matlab的图像增强技术研究!.doc
- 基于MATLAB的手写体数字识别算法的实现与分析.docx
- 基于Matlab的控制系统Bode图超前校正设计 指导老师闫银发.doc
- 基于matlab的数字信号调制仿真中国证书人才网.doc
- 基于MATLAB的曲柄摇杆机构的运动性能分析开题报告.doc
- 分析let s单元56ago2卷纸zheng unit56.pdf
- 塑胶材料其它分类原料pa9t 12.pdf
- md16x16数字媒体切换器设备.pdf
- 者参考项目发起人学科类型单位序列承包商修订页代码顺序典型.pdf
- 届世界天然气大会阿姆斯特丹2006add10288.pdf
- 期测试记录表每周weekly g1g6 journeys tests level 6 lesson26.pdf
- modernize-whitepaper现代化您应用程序白皮书.pdf
- anybackup产品典型案例分析.pdf
- 约克金融工程课程tfeslide32.pdf
- 广州市妇女儿童医疗中心历份教学药历01tjy.pdf
文档评论(0)