过程建模9-神经网络.pptVIP

从理论上说，上述这种网络结构能够逼近任意一个可用方程式描述的系统： 它的学习可以直接利用静态前馈神经网络的BP算法。 9 神经网络模型 9.3 动态神经网络模型 Hopfield神经网络 9 神经网络模型 9.3 动态神经网络模型 连续型Hopfield神经网络用于优化计算： 9 神经网络模型 9.3 动态神经网络模型 图 神经网络建模的一般结构 9 神经网络模型 9.4 神经网络建模应用 1.样本数据 收集和整理 采用神经网络方法建模的首要和前提条件是有足够多典型性好和精度高的样本。 而且，为监控训练（学习）过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到的数据随机分成训练样本、检验样本（10%以上）和测试样本（10%以上）3部分。 此外，数据分组时还应尽可能考虑样本模式间的平衡。 9 神经网络模型 9.4 神经网络建模应用 输入/输出变量的确定及其数据的预处理 一般地，神经网络的输入变量即为系统的内生变量（影响因子或自变量）。若输入变量较多，一般可通过主成份分析方法压减输入变量，也可根据剔除某一变量引起的系统误差与原系统误差的比值的大小来压减输入变量。 输出变量即为系统的外生变量（系统性能指标或因变量）。一般将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型效果会更好，训