神经网络模型.ppt

神经网络 神经网络即是由大量神经元以一定结构相互连接而成用以完成不同智能信息处理任务的一大规模非线性动力系统，不同神经元之间的相互作用触突权值表示，神经网络的学习过程即是不断调节触突权值，使网络的实际输出不断逼近期望输出。人工神经网络(ANN)是一种模拟人的神经系统而建立起来的非线性动力学模型，由大量称为神经元的简单信息单元组成，每个神经元不仅从它邻近的其他神经元接受信息，也向邻近于该神经元的其他神经元发出信息。 整个网络的信息处理是通过神经元之间的相互作用来完成的。神经网络具有自组织、自学习和联想记忆功能．并具有分步式、并行性等特点。在害虫预测中，可应用人工神经网络模仿人脑的思维、学习和总结经验的过程，借助建立适当的数据结构的基础上，让人工神经网络系统进行学习、积累知识，进行预测预报 。 下面是有一个隐含层的n-d-mBP神经网络模型 三层BP网络的算法过程 〔1〕设网络的学习样本输入和期望输出为Ak和Ck〔k=1，2，…，m〕。随机地给出网络输入层到隐含层的初始连接权值为一组随机小量Vhi，同时也随机给出一组隐含层到输出层的连接权函数Wij；以及隐含层单元的域值Qi和输出层单元的域值。 (2)根据连接权矩阵(初始时刻为给定的一组随机小量)和学习样本的输入计算隐含层新的激活值： 其中i=1,2,3,…,p，激活值函数为Sigmoid函数: 〔3〕计算输出层单元的激活值： 其中j＝1，2，…，q(初始时刻wij为给定的一组随机小量)。 〔4〕计算输出层单元的一般化误差： dj=cj(1-cj)(-cj)其中j=1， 2，…，q， 为输出层单元j的期望输出。 (5)计算隐含层单元相对于每个dj的误差： 其中j＝1，2，…，q。 (6)调整隐含层单元到输出层单元权值： 其中i=1，2，…，P和j＝1，2，…，q，a 为学习因子（0＜a＜1 ） (7)调整输出层单元的域值： 其中j＝1，2，…，q。 (8)调整输出层单元到隐含层单元的连接权值： 其中h=1，2，…，n和i=1,2,…,p， 为动量因子。 (9)调整隐含层单元的域值： (10)重复第〔2〕到第〔9〕式的计算步骤，直到j＝1，2，…，q，和k=1，2，…，m，计算实际输出与期望输出的误差，当全部样本的输出误差小于设定的收敛误差时，训练结束。 神经网络模型程序图 * * 例：应用6－6－6－6－1BP预测 拟合残差图