神经网络在数值积分中的应用研究.docVIP

三角基函数神经网络算法在数值积分中的应用研究 引言 在科学技术中，积分是经常遇到的一个重要计算环节，比如PID调节器就涉及积分计算。在一定条件下，虽有Newton-Leibniz公式： SKIPIF 1 0 可以计算定积分的值，但在很多情况下， SKIPIF 1 0 的原函数不易求得，或非常复杂。此外，在工程实际中，函数 SKIPIF 1 0 是用函数表形式给出而没有解析表达式，这就更无法使用Newton-Leibniz公式了，因此有必要研究定积分的数值计算方法，以解决定积分的近似计算。数值积分的计算方法很多，如Newton-Cotes方法、Romberg方法、Gauss方法等[1 ~ 4]，其中Newton-Cotes方法是一种利用插值多项式来构造数值积分的常用方法，但是高阶的Newton-Cotes方法的收敛性没有保证，因此，在实际计算中很少使用高阶的Newton-Cotes公式；Romberg方法收敛速度快、计算精度较高，但是计算量较大；Gauss方法积分精度高、数值稳定、收敛速度较快，但是节点与系数的计算较麻烦、而且要求已知积分函数 SKIPIF 1 0 。本文提出的数值积分计算方法，其基本思想是训练三角基函数神经网络来逼近被积函数以实现定积分的数值计算。研究结果表明，本文提出的数值积分方法积分精度高、收敛速度快、数值稳定，甚至可以处理一些奇异积分的问题，而且不需要给定被积函数，因此能有效解决建模困难的系统或未知系统的求积分问题，在工程实际中有较大的应用价值。下面详细讨论三角基函数神经网络算法及其与数值积分的关系，并给出计算实例。 三角基函数神经网络模型 三角基函数神经网络模型如图1所示，其中 SKIPIF 1 0 为神经网络权值, SKIPIF 1 0 为三角基函数，即： SKIPIF 1 0 , SKIPIF 1 0 ) （1） 为隐层神经元激励函数（N为偶数），且 SKIPIF 1 0 。设权值矩阵为： SKIPIF 1 0 ，激励矩阵为： SKIPIF 1 0 ，则有： 神经网络输出： SKIPIF 1 0 （2） 误差函数： SKIPIF 1 0 （3） 其中 SKIPIF 1 0 为样本点数， SKIPIF 1 0 为被积函数。 则有：性能指标： SKIPIF 1 0 （4） 权值调整： SKIPIF 1 0 （5） 其中 SKIPIF 1 0 为学习率，且 SKIPIF 1 0 。 2．1 三角基函数神经网络收敛定理 定理1. 设 SKIPIF 1 0 为学习率，则当 SKIPIF 1 0 SKIPIF 1 0 时，神经网络算法收敛，其中N+1是隐层神经元个数。 证明：取Lyapunov函数为： SKIPIF 1 0 ，则有： SKIPIF 1 0 (6) 因为 SKIPIF 1 0 ，而 SKIPIF 1 0 ，于是有： SKIPIF 1 0 (7) 其中 SKIPIF 1 0 ，称为Euclid范数的平方。所以式（6）改写为： SKIPIF 1 0 由式（8）知，要使神经网络收敛，必须有下式成立，即： SKIPIF 1 0 ，因 SKIPIF 1 0 ，所以 SKIPIF 1 0 （9） 由式（7）、（8）可得： SKIPIF 1 0 ，所以 SKIPIF 1 0 ，由式（1）可以证明 SKIPIF 1 0 因此，由式（9）有： SKIPIF 1 0 ，即当学习率 SKIPIF 1 0 满足 SKIPIF 1 0 时，有 SKIPIF 1 0 ，从而本文讨论的三角基神经网络算法是收敛的，证毕。 2．2 三角基函数神经网络最佳学习率 在神经网络训练中，学习率是影响神经网络收敛快慢以及是否收敛的一个重要参数，太小会使收敛太慢，