人工神经网络是一种大规模的分布式并行处理系统,它可以模拟人脑的记忆和联想功能,不需要了解过程的输入与输出参数之间的变化规律。通过对给定的样本数据进行学习,从大量的数据中提取规则,以一组权重系数的形式形成一种网络的稳定状态,然后通过联想记忆和推广能力来获取所需数据。人工神经网络的特点:并行性、稳健性、容错性和自学习能力。在人工神经网络中,神经元是最基本的处理单元,其数学模型如图9-2-1所示,其中Xji为第j个神经元对第i个神经元的输入,Wij为第j个神经元对第i个神经元的连接权值,θi为第j个神经元的阈值,f为传递函数,y为该神经元的输出。神经元的输入、输出关系如下:
图9-2-1 神经元的数学模型
根据神经元之间连接方式的不同,人工神经网络分为:无反馈的前向网络和有反馈的前后向结合型网络。前向网络(见图9-2-2)由输入层、输出层和中间层(隐层)组成,中间层可以有若干层,每一层的神经元只接受来自前一层神经元的输出,一般不接受超越层次的输出。反馈型网络(见图9-2-3)的任意两个神经元之间都可能有连接,包括神经元到自身的反馈。在众多的人工神经网络模型中,以基于误差反向传播(Back Propagation,BP)的前向网络模型应用最广。
人工神经网络结构确定后,如何确定网络各神经元之间的连接权值是一个重要问题。对于非线性变换单元所组成的BP网络,变换关系是一个非线性连续可微函数,它可以严格利用梯度法进行推算,权的学习解析式十分明确。一般情况下,BP算法包含两个阶段。一是前向传播阶段,当给定输入量时,通过神经网络向前计算每一个神经元的输出,然后计算期望输出值Tj与实际输出值Xj之间的误差,均方差E表示为:
二是误差反向传播阶段,将误差从输出层向输入层的方向进行反向传播,以修正相应的连接权值,修正量可表示为:
为了防止解的振荡,加一个惯性项。因此,新的权值修正量ΔWjki可以表示为:
式中η——学习率;
a——动量因子;
m——迭代次数。(www.xing528.com)
图9-2-2 具有一层隐层的前向网络
图9-2-3 反馈型网络
神经网络学习的步骤如下:
1)确定BP网络的结构,即网络层数及各层神经元数量。
2)给出学习样本的输入、输出向量,如必要,则做归一化处理。
3)初始化,随机设置各层权系数和阈值。
4)向网络提供输入样本和理想输出值。
5)计算实际输出值。
6)计算误差。
7)若不满足误差要求,则返回继续学习;否则,则认为计算收敛。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。