bp神经网络模型应用实例.docxVIP

BP神经网络模型 第1节基本原理简介 近年来全球性的神经网络研究热潮的再度兴起，不 仅仅是因为神经科学本身取得了巨大的进展.更主要 的原因在于发展新型计算机和人工智能新途径的迫切 需要.迄今为止在需要人工智能解决的许多问题中， 人脑远比计算机聪明的多，要开创具有智能的新一代 计算机，就必须了解人脑，研究人脑神经网络系统信 息处理的机制.另一方面，基于神经科学研究成果基 础上发展出来的人工神经网络模型，反映了人脑功能 的若干基本特性，开拓了神经网络用于计算机的新途 径.它对传统的计算机结构和人工智能是一个有力的 挑战，引起了各方面专家的极大关注. 目前，已发展了几十种神经网络，例如Hopficld模 型，Feldmann等的连接型网络模型，Hinton等的玻尔 茨曼机模型，以及Rumelhart等的多层感知机模型和 Kohonen的自组织网络模型等等。在这众多神经网络 模型中，应用最广泛的是多层感知机神经网络。多层 感知机神经网络的研究始于50年代，但一直进展不 大。直到1985年，Rumelhart等人提出了误差反向传 递学习算法（即BP算），实现了 Minsky的多层网络 输入层中间层 输出层34-1 BP神经网络模型设想，如图34?1所示。 输入层 中间层 输出层 34-1 BP神经网络模型 BP算法不仅有输入 层节点、输出层节点， 还可有1个或多个隐含 层节点。对于输入信号, 要先向前传播到隐含层 节点，经作用函数后，再把隐节点的输出信号传播到 输出节点，最后给出输出结果。节点的作用的激励函 数通常选取S型函数，如 式中Q为调整激励函数形式的Sigmoid参数。该算 法的学习过程由正向传播和反向传播组成。在正向传 播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经 元的状态。如果输出层得不到期望的输出，则转入反 向传播，将误差信号沿原来的连接通道返回，通过修 改各层神经元的权值，使得误差信号最小。 社含有〃个节点的任意网络，各节点之特性为 Sigmoid型。为简便起见，指定网络只有一个输出y, 任一节点i的输出为Oi,并设有N个样本 （乂5）（奸123,...何，对某一输入加 网络输出为＞k节 点，?的输出为节点，的输入为netjk卓 并将误差函数定义为 其中五为网络实际输出，定义Ek=3k或k)2,。吗，且 Ojkh(netjk),于是 ?Ek _沮One项_沮° dWo命顼dWtj而机川」SkOjk 当/为输出节点时，Ojk=9k =一(以一丸)广(商。（34.1） =一(以一丸)广(商。 （34.1） 若/不是输出节点，则有 6F 60 船 3F = ~―~~ =希^ ~―~ / （net」*） onet 水 cO^ onetjk oOJk dEk 6Ek anetwt, aOjk m 8ne、dOjk yw o ^8net,”30.》* 因此QP 因此 in °nCl 比 i tn 幺=/(netQ￡如叫u m dE 寸=CM l 叫 (34.2) 如果有A/层，而第M层仅含输出节点，第一层为输 入节点，则BP算法为： 第一步，选取初始权值W。 第二步，重复下述过程直至收敛： cl a. 对于k=l到N 。).计算Oik, netjk和允的值(正向过程)； b）.对各层从M到2反向计算（反向过程）； b. b. 对同一节点jEM,由式（34.1）和（34.2）计 算上 oE 第三步，修正权值，吧，0,其中 oE _ dEk 顽=9死。 从上述BP算法可以看出，BP模型把一组样本的I/O 问题变为一个非线性优化问题，它使用的是优化中最 普通的梯度下降法。如果把神经网络的看成输入到输 出的映射，则这个映射是一个高度非线性映射。 设计一个神经网络专家系统重点在于模型的构成 和学习算法的选择。一般来说，结构是根据所研究领 域及要解决的问题确定的。通过对所研究问题的大量 历史资料数据的分析及目前的神经网络理论发展水 平，建立合适的模型，并针对所选的模型采用相应的 学习算法，在网络学习过程中，不断地调整网络参数, 直到输出结果满足要求。 第2节DPS数据处理系统操作步骤 在DPS数据处理系统中，数据的输入格式是一行 为一个样本，一列为一个变量，输入节点（变量）放在 数据块左边，输出节点（因变量）放在数据块右边，输 完一个样本后再输下一个样本。对于待识别（预测）的 样本，不需要输入输出变量（因变量）。 数据输入完毕后，定义数据块。如有待识别（预测） 的样本，可在按下Ctrl键时再按下并拖动鼠标，将待 预测的样本定义成第二个数据块。 在进行神经网络学习之前，系统出现如图34-2所示 界面，这时需要你提供若干参数，各个参数取值的基 本原则是： 图34-2神经网络参数设置对话框 网