ch5第3講人工神經(jīng)網(wǎng)絡(luò)-文庫吧
2024-12-24 04:03 本頁面
【正文】 人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實(shí)際應(yīng)用中， 80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡稱 BP網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。 李一平（河海大學(xué)環(huán)境科學(xué)與工程學(xué)院） .《 太湖生態(tài)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模擬研究 》 ，環(huán)境科學(xué)與技術(shù)， 2022年第二期 構(gòu)造了具有 3層節(jié)點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)模型 ,將太湖 2022年 5～ 12月全湖共 26個(gè)采樣點(diǎn)的實(shí)測值作為學(xué)習(xí)樣本 ,一共有 26 8=208組數(shù)據(jù)。從這些數(shù)據(jù)中分別隨機(jī)抽取 1/4的數(shù)據(jù)各 52組作為檢驗(yàn)樣本和測試樣本 ,其余的 104組 (占 50%)數(shù)據(jù)作為訓(xùn)練樣本。每個(gè)樣本均含有 12個(gè)輸入因子 ,分別是風(fēng)速、風(fēng)向、水溫、ｐＨ、ＤＯ、高錳酸鉀指數(shù)、濁度、ＴＮ、ＴＰ、葉綠素ａ、透明度、ＢＯＤ 5。以浮游植物作為輸出因子。用 2022年 8月的各點(diǎn)的浮游植物數(shù)據(jù)進(jìn)行預(yù)測比較， BP網(wǎng)絡(luò)建模特點(diǎn)： ?非線性映照能力 ：神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性連續(xù)函數(shù)。在建模過程中的許多問題正是具有高度的非線性。 ?并行分布處理方式 ：在神經(jīng)網(wǎng)絡(luò)中信息是分布儲(chǔ)存和并行處理的，這使它具有很強(qiáng)的容錯(cuò)性和很快的處理速度。 ?自學(xué)習(xí)和自適應(yīng)能力 ：神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識(shí)，記憶于網(wǎng)絡(luò)的權(quán)值中，并具有泛化能力，即將這組權(quán)值應(yīng)用于一般情形的能力。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也可以在線進(jìn)行。 ?數(shù)據(jù)融合的能力 ：神經(jīng)網(wǎng)絡(luò)可以同時(shí)處理定量信息和定性信息，因此它可以利用傳統(tǒng)的工程技術(shù)（數(shù)值運(yùn)算）和人工智能技術(shù)（符號(hào)處理）。 ?多變量系統(tǒng) ：神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量的數(shù)目是任意的，對(duì)單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式，不必考慮各子系統(tǒng)間的解耦問題。 基本 BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) b1 bi a1 c1 cq cj ah bp an … … … … … … Wp1 Wiq Wpj W1q W1j Wij V11 W11 Wpq Wi1 Vh1 Vhi V1i Vn1 Vni V1p Vhp Vnp 1k c kjckqckha kna1ka輸出層 LC 隱含層 LB 輸入層 LA W V 輸入函數(shù) 輸入?yún)^(qū)的功能是將輸入信號(hào) b的各分量以一定的規(guī)則綜合成一個(gè)總輸入值 p，不同的網(wǎng)絡(luò)和不同性質(zhì)的神經(jīng)元采用不同的綜合規(guī)則，綜合規(guī)則可以形式化為用某個(gè)輸入函數(shù)表示，最常用的輸入函數(shù)是 “ 加權(quán)和 ” 形式，如下所示： ???jjj bwbWfp ),(活化函數(shù) 活化函數(shù)分為線性與非線性，最簡單的 線性活化函數(shù) 就可以采用恒同函數(shù)；而 非線性活化函數(shù) 中的常用函數(shù)即是 Sigmoid函數(shù) ， 具有這種活化功能的神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的表達(dá)能力。 a=g(p)=1/(1+exp(cp)) 前饋式神經(jīng)網(wǎng)絡(luò) 各種神經(jīng)元以層狀方式組成前饋式神經(jīng)網(wǎng)絡(luò)。每一層由多個(gè)節(jié)點(diǎn)（神經(jīng)元）組成，每層中的節(jié)點(diǎn)與相鄰層中的節(jié)點(diǎn)通過權(quán)值連接；但與同層中的其他節(jié)點(diǎn)和非相鄰層中的節(jié)點(diǎn)沒有連接。第一層為輸入層，最后一層為輸出層，中間為隱層。神經(jīng)元的輸入函數(shù)為 “ 加權(quán)和 “ 的形式，輸出函數(shù)為恒同函數(shù)，活化函數(shù)為 S型函數(shù)。 前饋式神經(jīng)網(wǎng)絡(luò)的逼近能力 前饋式神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系，可以看成是一種映射關(guān)系，即每一組輸入對(duì)應(yīng)著一組輸出。由于網(wǎng)絡(luò)中神經(jīng)元的活化函數(shù)的非線性，使網(wǎng)絡(luò)實(shí)現(xiàn)的是復(fù)雜的非線性映射。 Hornik的等人的研究還表明三層前饋式神經(jīng)網(wǎng)絡(luò)不僅能以任意精度逼近任意函數(shù)，還能以任意精度逼近其各階導(dǎo)數(shù)。 BP算法 Rumelhart和 McClella
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1