人工神经元网络.pptxVIP

人工神经元网络;生物神经元结构模型;2．大脑神经系统的功能; （3）神经系统的系统性。 大脑中的各个部件可以看成是一个大系统中的许多子系统，各个子系统之间具有很强的相互关系，一些子系统可以调节另一些子系统的行为。 例如视觉系统和运动系统就存在很强的系统联系，可相互协调各种信息处理功能。 （4）信息分布式记忆。 大脑神经系统的信息存储是分布存储于整个网络中，并体现在神经网络之间突触的结合强度上。当少量神经元受到损伤（或正常死亡）时，网络的总体功能继续有效。联想记忆功能。 ; 人工神经网络以脑神经系统的组成原理为构造基础，模拟了神经信息处理系统的上述四个基本特征，具有广泛的应用价值。;二．人工神经元网络;在离散输出模型中，激发函数选用阶跃函数，如;S型函数具有以下一些良好的特性：;为了进一步提高神经网络的实用性，近年也有将S型函数改进为如下形式 ;2．人工神经网络 将多个单个神经元按照一定的方式组合成一个网络，就构成了人工神经网络。 除网络中单个神元的特性外，网络的拓扑结构也对网络的特性有重要的影响。 根据网络中神经元的连接方式，将网络分成以下两种基本型式。;4.2 BP神经元网络;;一、BP网络学习方法的基本思想：;二、BP算法的基本原理;四、应用例;随机选取的权矩阵为：;4.3 标准BP网络存在的问题;4.4 标准BP网络的改进措施;;式中，本次应得校正量 ，本次校正量d，惯性系数η∈（0，1），前一次校正量;;5、基于变步长的BP算法 惯性系数越大，学习效率越高，收敛快，但η越大，易引起振荡。 选择η的原则: 在不引起振荡的情况下，尽可能选大的η。 变步长的思想: 在训练开始时选较大的η值，然后每次训练结束时，将误差指标E（N+1）与上一次E（N）比较，若E（N+1）E（N），则按原步长继续训练，否则，将发生振荡，减少步长E（N+1）=E（N）/2，退回上一步重新进行训练计算。;二、学习系数和惯性系数的自适应调整 调整参数的准则是检查某特定加权的修正是否确实降低了误差函数，若不是这样，则应修正α和β值，可采用启发式信息使α和β??到自适应调整，也可将模糊推理方法应用于α和β的调整中。;三、改进误差函数;四、全局优化思想;2、采用优化理论方法，如卡尔曼滤波、同伦优化等。;3、运用聚类分析法。 在网络训练阶段，采用最临近准则，将动态聚类样本用于权重的预置，改进了BP算法中迭代缓慢的缺陷，从而避免了标准BP网络学习中的局部极小问题。;5、采用逐步逼近法的思想进行BP网络的全局最优学习 首先根据问题的性质构造一个合适的BP网络，然后根据网络结构一个误差函数，再利用非线性函数求极值的方法求解得到网络的权值向量最优解。这样就回避了BP网络的一系列缺陷。但这种方法在处理分类问题时不一定合适。其总的思想是借助求解非线性函数最小值来完成BP网络的训练任务。 ;4.5 人工神经元网络的应用; （2）利用BP网络来实现齿轮传动机构中设计变量到齿面接触疲劳强度和齿根弯曲疲劳强度的映射关系，从而简化了计算中反复计算齿形系数、应力校正系数所带来的麻烦。 ;2、凸轮曲线拟合，加工表面拟合。 3、专家系统中的知识获取。;解： （1）设计训练样本集 为了使样本点在设计变量空间均匀分布，一般要按正交表来安排样本点。b、h均按 3水平，l按 6水平，设计L18正交表布点。表 4.1为按L18正交表布点及相应尺寸组合的有限元分析结果，δ是 C点位移，σ为 B点弯曲应力。;（2）用测试样本检验网络 在网络训练阶段，只要隐结点足够多，训练时间足够长，目标误差取得足够小，则最终的训练误差可以足够小。这表明网络能够以任意精度逼近样本点。;例2．摩托车车架的结构动态优化设计 目标函数：W（X）→min s. t. : 结构尺寸限制，满足强度要求， 第1阶固有频率25Hz，;2、用BP网络求特征值 动态计算花费时间太多，可以用BP代替FEM进行结构的动态特性分析。;第36页/共40页;三、BP网络的解析步骤;输入层到中间层的权;三、BP网络的解析步骤;谢谢观看！