神經(jīng)網(wǎng)絡(luò)應(yīng)用補ppt課件-資料下載頁
2025-01-05 15:33本頁面
【正文】 iimim式中 : ——第 m個樣本神經(jīng)網(wǎng)絡(luò)輸入 、 輸出歸一化值； Xim、 Pm——第 m個樣本第 i個傳感器的輸入 、 Ximax、 Ximin—— 第 i個傳感器輸出最大、 最小標定值。 mim PX 、(753) (752) 如 T= ℃ 且當 i=1時 ， X1max=Umax= mV, X1min=0； 當 i=2時 ， X2max=Utmax= mV, X2min= mV。 又如 T= ℃ 且當 i=1時 ， X1max=Umax=, X1min=0； 當 i=2時 ， X2max=Utmax=, X2min=。 Pmax=5 104 Pa、Pmin=0為被測壓力最大 、 最小標定值 。 計算舉例：計算 m=4 的輸入輸出歸一化數(shù)值 P4, Xi4=(X14X24X34)。 當 i=1時 ， X1max=Umax=, X1min=,X14=, 則由 (752) 式求得 X14=。 當 i=2 時 ， X2max=Utmax= mV, X1min= mV, X24=, 則由 (752)式求得 X24=。 當 i=3時 ， γ已是無量綱數(shù)值 ， 且在 1與 1之間 ， 不必再作歸一化 ， 即 X34=γ=。 P4= 104 Pa時 ， 由 (753) 式求得 P34=。 4. 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及其結(jié)構(gòu)的確定 圖 727 多層感知機前向神經(jīng)網(wǎng)絡(luò) 圖中 i、 j和 k分別是輸入層 、 隱層和輸出層神經(jīng)元序號 。 同一層內(nèi)各神經(jīng)元互不相連 ， 相鄰層之間的神經(jīng)元通過連接權(quán)值 Wji、Wkj相聯(lián)系 。 Wji為輸入層與隱層之間的連接權(quán)值； Wkj為隱層與輸出層之間的連接權(quán)值 。 本例中選輸入層結(jié)點數(shù)為 3， 輸出層結(jié)點數(shù)為 1， 故 i=1, 2, 3， k=1；隱層結(jié)點數(shù) j=1, 2, …， l。 l值根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果而定 。 采用誤差反向傳播算法 (BP算法 )， 其目標是使神經(jīng)網(wǎng)絡(luò)輸出y=P′(本例中稱為被測壓力融合值 )， 與壓力傳感器系統(tǒng)目標參量的標定值之間的均方差 e為最小 ， 即 ???? ??1812)39。(181mmPPe圖 728 BP網(wǎng)絡(luò)訓(xùn)練過程及算法流程 (1) 網(wǎng)絡(luò)初始化 。 隨機設(shè)定連接權(quán)值 Wji、 Wkj, 與閾值 θj及 θk的初始值 。 設(shè)定隱結(jié)點數(shù) l、 步長 η及勢態(tài)因子 α。 (2) 向具有上述初始值的神經(jīng)網(wǎng)絡(luò)按輸入模式提供樣本數(shù)據(jù) 。 本例為三維矢量 X=(X1X2X3)。 如樣本 m=1， 輸入模式為X=( )。 (3)計算隱層單元輸出值 f(Sj)。 隱層單元輸出值 f(Sj)采用 S型函數(shù) ， 其計算式為 ??? ????31,11)(ijjiijSj WxSeSf j ? (4) 計算輸出單元的輸出值 f(Sk)。 輸出單元的輸出值 f(Sk)即網(wǎng)絡(luò)的輸出 y=P′。 輸出值仍采用 S型函數(shù) ， 計算式為 kkjljjkskWxSeSfk????????111)((5) 計算輸出層和隱層訓(xùn)練誤差 δk與 δj。 )]()][(1)[( kkkkk SfdSfSf ????])][(1)[( jkkjkjjj WSfSf ??? ??? ? (6) 修正權(quán)值： ?????????????????)]1()([)()()1()]1()([)()()1(tWtWSftWtWtWtWSftWtWkjkjkkkjkjjijijijiji??????式中 ， η和 α分別為步長和勢態(tài)因子 。 (7) 判斷均方誤差 e是否滿足給定允許偏差 ε(本例中給定允許偏差為 103)。 當滿足時 ， 則轉(zhuǎn)到 (8)， 否則轉(zhuǎn)向 (5)、 (6)和 (7)。 (8) 結(jié)束訓(xùn)練。 5. (1) 融合處理前傳感器輸出的相對波動情況。由表 75可見， 對于同一被測壓力 P，傳感器輸出 U隨工作溫度和供電電源波動的不同而變化。由工作溫度與電源變化產(chǎn)生的傳感器輸出電壓相對波動值為 FSP yy ||m a x ???式中： αP max|Δy| yFS= mV為傳感器滿量程輸出電壓 (即在 T= ℃ , γ=0時 ， 傳感器的輸出電壓值 )。 (2) 經(jīng)網(wǎng)絡(luò)融合處理后傳感器輸出的相對波動情況。 表 77 融合處理結(jié)果 FSP PP ||m a x ???式中 : PFS=( 104Pa) max|ΔP|=( 104Pa)代入 (761)式計算得 αP=%。 可見 ， 在相同工作溫度變化和電源波動情況下 ， 傳感器的輸出穩(wěn)定性比原來提高了 。 神經(jīng)網(wǎng)絡(luò)法對消除傳感器在工作過程中受多種因素交叉干擾的影響十分有效 。 6. 幾點說明 (1) 神經(jīng)網(wǎng)絡(luò)隱層結(jié)點數(shù) l的選取尚無理論上的指導(dǎo) ， 選取不當時會出現(xiàn)網(wǎng)絡(luò)不收斂情況 。 文中通過先后取隱層結(jié)點數(shù) l為 1 31和 18， 最后取 l=18, 網(wǎng)絡(luò)訓(xùn)練結(jié)果令人滿意 。 (2) 網(wǎng)絡(luò)訓(xùn)練步長 η和勢態(tài)因子 α的確定亦無理論依據(jù) ， 選取不當時也會出現(xiàn)網(wǎng)絡(luò)訓(xùn)練發(fā)散或使網(wǎng)絡(luò)陷入局部極小點 ， 訓(xùn)練中取 η=, α=。 (3) 衡量訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)是否具有較強的泛化能力 ， 除了要用測試集來測試該網(wǎng)絡(luò)的輸出結(jié)果外 ， 很大程度上取決于網(wǎng)絡(luò)學(xué)習(xí)樣本的廣泛性與代表性 。 這就要求我們在確定網(wǎng)絡(luò)學(xué)習(xí)樣本時 ， 一是要保證足夠的樣本數(shù)量；二是要使所取樣本具有代表性和廣泛性 。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1