人工神經(jīng)網(wǎng)絡(luò)的研究方法-wenkub
2023-01-23 06:34:32 本頁面
【正文】 用仿生學(xué)觀點，探索人腦的生理結(jié)構(gòu)，把對人腦的微觀結(jié)構(gòu)及其智能行為的研究結(jié)合起來即人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Netwroks，簡稱 ANN）方法。人工神經(jīng)網(wǎng)絡(luò) 的研究方法及應(yīng)用 劉 長 安 2022. 12. 31 引 言 ? 利用機器模仿人類的智能是長期以來人們認(rèn)識自然、改造自然和認(rèn)識自身的理想。 （ 2）宏觀功能的模擬： 從人的思維活動和智能行為的心理學(xué)特性出發(fā)，利用計算機系統(tǒng)來對人腦智能進行宏觀功能的模擬，即符號處理方法。 人工神經(jīng)網(wǎng)絡(luò)概述 ? 什么是 人工神經(jīng)網(wǎng)絡(luò) ？ ? ： “人工神經(jīng)網(wǎng)絡(luò) 是由 具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體所作出的交互反應(yīng)。 ANN研究的目的和意義 (1)通過揭示物理平面與認(rèn)知平面之間的映射，了解它們相互聯(lián)系和相互作用的機理，從而揭示思維的本質(zhì)，探索智能的本源。1958年， (Perceptron）。 （ 2） ANN缺少一個完整、成熟的理論體系。尤其對問題的機理不甚了解或不能用數(shù)學(xué)模型表示的系統(tǒng) ,如故障診斷、特征提取和預(yù)測等問題 ,ANN往往是最有利的工具。 ? 環(huán)境質(zhì)量評價 ? 環(huán)境系統(tǒng)因素預(yù)測 ? 環(huán)境因素定量關(guān)系模擬 構(gòu)效分析、成因分析 ? 污染防治系統(tǒng)建模 神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)與工程中的應(yīng)用 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個采樣點的實測值作為學(xué)習(xí)樣本 ,一共有 26 8=208組數(shù)據(jù)。用 2022年 8月的各點的浮游植物數(shù)據(jù)進行預(yù)測比較， 湯麗妮（成都信息工程學(xué)院） 《 人工神經(jīng)網(wǎng)絡(luò)在生態(tài)環(huán)境質(zhì)量評價中的應(yīng)用 》 ，四川環(huán)境， 2022， 3 由于 BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)良的非線性逼近能力，1994年以來，已在環(huán)境科學(xué)與工程的環(huán)境質(zhì)量評價與預(yù)測、監(jiān)測點的優(yōu)化布置、社會經(jīng)濟環(huán)境可持續(xù)發(fā)展、污染物降解與釋放、水（處理、生態(tài)）系統(tǒng)的模擬與預(yù)測等方面獲得了廣泛的應(yīng)用 。 ?自學(xué)習(xí)和自適應(yīng)能力 ：神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識，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。 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 收集和整理分組 采用 BP神經(jīng)網(wǎng)絡(luò)方法建模的 首要和前提條件 是有足夠多典型性好和精度高的樣本。若輸入變量較多，一般可通過主成份分析方法壓減輸入變量，也可根據(jù)剔除某一變量引起的系統(tǒng)誤差與原系統(tǒng)誤差的比值的大小來壓減輸入變量。因此，要對輸入數(shù)據(jù)進行預(yù)處理。但必須注意的是，預(yù)處理的數(shù)據(jù)訓(xùn)練完成后，網(wǎng)絡(luò)輸出的結(jié)果要進行反變換才能得到實際值。顯然，這是一個存在性結(jié)論。因此，一般認(rèn)為，應(yīng)將不含隱層的網(wǎng)絡(luò)模型歸入回歸分析中，技術(shù)已很成熟，沒有必要在神經(jīng)網(wǎng)絡(luò)理論中再討論之。為盡可能避免訓(xùn)練時出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡(luò)性能和泛化能力， 確定隱層節(jié)點數(shù)的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結(jié)構(gòu)，即取盡可能少的隱層節(jié)點數(shù)。 (2) 訓(xùn)練樣本數(shù)必須多于網(wǎng)絡(luò)模型的連接權(quán)數(shù)，一般為2~10倍，否則，樣本必須分成幾部分并采用“輪流訓(xùn)練”的方法才可能得到可靠的神經(jīng)網(wǎng)絡(luò)模型。雖然理論上早已經(jīng)證明：具有 1個隱層（采用 Sigmoid轉(zhuǎn)換函數(shù)）的 BP網(wǎng)絡(luò)可實現(xiàn)對任意函數(shù)的任意逼近。目前雖已有改進 BP法、遺傳算法（ GA）和模擬退火算法等多種優(yōu)化方法用于 BP網(wǎng)絡(luò)的訓(xùn)練 (這些方法從原理上講可通過調(diào)整某些參數(shù)求得全局極小點 )，但在應(yīng)用中，這些參數(shù)的調(diào)整往往因問題不同而異，較難求得全局極小點。所以，一般傾向選取較小的學(xué)習(xí)率以保證學(xué)習(xí)過程的收斂性（穩(wěn)定性），通常在 ~。 4 網(wǎng)絡(luò)的初始連接權(quán)值 BP算法決定了誤差函數(shù)一般存在（很）多個局部極小點，不同的網(wǎng)絡(luò)初始權(quán)值直接決定了 BP算法收斂于哪個局部極小點或是全局極小點。從存在性結(jié)論可知，即使每個訓(xùn)練樣本的誤差都很?。梢詾榱悖⒉灰馕吨⒌哪Ｐ鸵驯平?xùn)練樣本所蘊含的規(guī)律。非訓(xùn)練樣本誤差很接近訓(xùn)練樣本誤差或比其小，一般可認(rèn)為建立的網(wǎng)絡(luò)模型已有效逼近訓(xùn)練樣本所蘊含的規(guī)律，否則，若相差很多（如幾倍、幾十倍甚至上千倍）就說明建立的網(wǎng)絡(luò)模型并沒有有效逼近訓(xùn)練樣本所蘊含的規(guī)律，而只是在這些訓(xùn)練樣本點上逼近而已，而建立的網(wǎng)絡(luò)模型是對訓(xùn)練樣本所蘊含規(guī)律的錯誤反映。必須注意的是，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程本質(zhì)上是求非線性函數(shù)的極小點問題，因此，在全局極小點鄰域內(nèi)（即使網(wǎng)絡(luò)誤差相同），各個網(wǎng)絡(luò)連接權(quán)值也可能有較大的差異，這有時也會使各個
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1