人工神经网络编程实现资料 |
您所在的位置:网站首页 › 神经网络用什么编程 › 人工神经网络编程实现资料 |
人工神经网络分析编程实现
一、
神经网络
1.BP 网络的特点
1) 网络实质上实现了一个从输入到输出的映射功能, 而数学理论已证明它具有实现任何复 杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。我们无需建立模 型,或了解其内部过程,只需输入,获得输出。只要 BPNN 结构优秀,一般 20 个输入 函数以下的问题都能在 50000 次的学习以内收敛到最低误差附近。 而且理论上, 一个三 层的神经网络,能够以任意精度逼近给定的函数,这是非常诱人的期望;
2) 网络能通过学习带正确答案的实例集自动提取 “ 合理的 ” 求解规则,即具有自学习能力;
3) 网络具有一定的推广、概括能力。
2.bp 主要应用
1) 回归预测(可以进行拟合,数据处理分析,事物预测,控制等)
2)
分类识别(进行类型划分,模式识别等)
3.BP 注意问题
1) BP 算法的学习速度很慢,其原因主要有:
a 由于 BP 算法本质上为梯度下降法,而它所要优化的目标函数又非常复杂,因此,必 然会出现 “ 锯齿形现象 ” ,这使得 BP 算法低效;
b 存在麻痹现象, 由于优化的目标函数很复杂, 它必然会在神经元输出接近 0 或 1 的情 况下,出现一些平坦区,在这些区域内,权值误差改变很小,使训练过程几乎停顿;
c 为了使网络执行 BP 算法,不能用传统的一维搜索法求每次迭代的步长,而必须把步 长的更新规则预先赋予网络,这种方法将引起算法低效。
2) 网络训练失败的可能性较大,其原因有:
a 从数学角度看, BP 算法为一种局部搜索的优化方法,但它要解决的问题为求解复杂 非线性函数的全局极值,因此,算法很有可能陷入局部极值,使训练失败;
b 网络的逼近、 推广能力同学习样本的典型性密切相关, 而从问题中选取典型样本实例 组成训练集是一个很困难的问题。
3) 网络结构的选择:
尚无一种统一而完整的理论指导,一般只能由经验选定。为此,有人称神经网络的结构 选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此,应用中如 何选择合适的网络结构是一个重要的问题。
4 、 新加入的样本要影响已学习成功的网络,而且刻画每个输入样本的特征的数目也必须相 同。
5 、 采用 s 型激活函数,由于输出层各神经元的理想输出值只能接近于 1 或 0 ,而不能打到 1 或 0 ,因此设置各训练样本的期望输出分量 Tkp 时,不能设置为 1 或 0 ,设置 0.9 或 0.1 较为适宜。
6. 网络的泛化能力
一个神经网路是否优良, 与传统最小二乘之类的拟合评价不同 (主要依据残差, 拟合优 度等),不是体现在其对已有的数据拟合能力上,而是对后来的预测能力,既泛化能力。
网络的预测能力(也称泛化能力、推广能力)与训练能力(也称逼近能力、学习能力) 的矛盾。 一般情况下, 训练能力差时, 预测能力也差, 并且一定程度上, 随训练能力地提高, |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |