畢業(yè)設計開題報告---神經網絡在信號預測中的應用-開題報告(編輯修改稿)
2025-02-24 04:14 本頁面
【文章內容簡介】 的計算輸出； a動量因子。 BP 神經網絡的應用及不足 神經網絡可以用作分類、聚類、預測等。神經網絡需要有一定量的歷史數(shù)據，通過歷史數(shù)據的訓練，網絡可以學習到數(shù)據中隱含的知識。在你的問題中，首先要找到某些問題的一些特征，以及對應的評價數(shù)據，用這些數(shù)據來訓練神經網絡。 雖然 BP 網絡得到了廣泛的應用，但自身也存在一些缺 陷和不足，主要包括以下幾個方面的問題。 首先，由于學習速率是固定的，因此網絡的收斂速度慢，需要較長的訓練時間。對于一些復雜問題， BP 算法需要的訓練時間可能非常長，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進。 其次， BP 算法可以使權值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產生一個局部最小值。對于這個問題，可以采用附加動量法來解決。 再次，網絡隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導，一般是根據經驗或者通過反復實驗確定。因此，網絡 往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。 最后，網絡的學習和記憶具有不穩(wěn)定性。也就是說，如果增加了學習樣本，訓練好的網絡就需要從頭開始訓練，對于以前的權值和閾值是沒有記憶的。但是可以將預測、分類或聚類做的比較好的權值保存。 二、國內外研究現(xiàn)狀： 人工神經網絡的發(fā)展歷史 1943 年，心理學家 W Mcculloch 和數(shù)理邏輯學家 W Pitts 在分析、總結神經元基本特性的基 礎上首先提出神經元的數(shù)學模型。此模型沿用至今，并且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網絡研究的先驅。 1945 年馮諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。 1948 年，他在研究工作中比較了人腦結構與存儲程序式計算機的根本區(qū)別，提出了以簡單神經元構成的再生自動機網絡結構。但是，由于指令存儲式計算機技術的發(fā)展非常迅速，迫使他放棄了神經網絡研究的新途徑，繼續(xù)投身于指令存儲式計算機技術的研究，并在此領域作出了巨大貢獻。雖然，馮諾依曼的名字是與普通計算機聯(lián) 系在一起的，但他也是人工神經網絡研究的先驅之一。 50 年代末， F Rosenblatt 設計制作了“感知機”，它是一種多層的神經網絡。這項工作首次把人工神經網絡的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。然而，這次人工神經網絡的研究高潮未能持續(xù)很久，許多人陸續(xù)放棄了這方面的研究工作，這是因為當時數(shù)字計算機的發(fā)展處于全盛時
教學課件相關推薦
鄂ICP備17016276號-1