人工神經(jīng)網(wǎng)絡(luò)模板-文庫吧
2025-07-09 21:58 本頁面
【正文】 絡(luò)權(quán)值 ωji、閾值 θj置初值，本文以專家意見陣作為網(wǎng)絡(luò)輸入層的初始權(quán)值，經(jīng)實驗證明，它可以大大加快網(wǎng)絡(luò)的收斂速度，避免網(wǎng)絡(luò)學(xué)習(xí)陷入局部極小的可能。 在開始的時候網(wǎng)絡(luò)權(quán)值 ωji選用的是（ 1,1）的隨機值。 tp的選取，輸出層備神經(jīng)元的實際輸出值只是趨近于 1或者 0，而不可能達到 1或者 0。在設(shè)置各訓(xùn)練樣本的理想輸出分量時，如有時可取為接近 1，0的數(shù)，如 ， l 或者 0。 21:58 （ 4）提供樣本，開始學(xué)習(xí) 本實驗共采集樣本 219個，主要針對五類缺陷進行識別。輸入向量 xp和目標(biāo)向量 tp。 ①計算網(wǎng)絡(luò)各層的輸出 ②計算局部梯度 21:58 （ 4）提供樣本，開始學(xué)習(xí) ③計算并保存?zhèn)€權(quán)值修正量 ④修正權(quán)值和閾值 ⑤終止條件 若不滿足終止條件，則執(zhí)行②；否則結(jié)束。 21:58 將輸入層模糊化的神經(jīng)網(wǎng)絡(luò)，在提高識別精度的同時，也增加了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度，更重要的是，這種 FBP并不能提高特征空間區(qū)域重疊對象的識別精度。 首先對 BP神經(jīng)網(wǎng)絡(luò)的隱藏層的傳遞函數(shù)進行改進，使輸入 —— 輸出響應(yīng)呈階梯狀。函數(shù)可用一組 ns個sigmoid函數(shù)之和的形式來表示，即具有 ns +1個相對穩(wěn)定狀態(tài)。 ns的值越大，隱層的模糊化程度越高。設(shè)X=(x1， x2 ， x3 ， … ， xk)T為 一個輸入樣本的特征向量，則第 J個隱層神經(jīng)元的輸出為： 21:58 輸入輸出響應(yīng)如圖 ： 對于曲線的更正，個人認(rèn)為，橫軸應(yīng)該是隱藏層某個神經(jīng)元在不同 θ的輸入，縱軸應(yīng)該是輸出。 21:58 Sigmoid函數(shù)使用 Logistic的函數(shù)模型。 βh是一個平滑系數(shù)， θrj（ r=1,2,3…… n s ）為隱層傳遞函數(shù)的一個階躍門限，即第 r個 sigmoid函數(shù)的位置，其值可以通過對類內(nèi)條件方差的極小化過程進行學(xué)習(xí)到， （ r=1,2,3…… n s ）為第 r個 Sigmoid函數(shù)的輸出。 網(wǎng)絡(luò)輸出層的響應(yīng)為：
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1