未来智讯 > 神经网络论文 > 基于样本随机分布的改进BP神经网络算法

基于样本随机分布的改进BP神经网络算法

发布时间:2019-04-26 04:50:08 文章来源:未来智讯    
未知摘要:: BP人工神经网络模型在识别样本特征时具有较高的分类机智,但也具有较好的概括性,但也有较少基于BP神经网络的随机样本改进算法均匀分布在哪里,如果 停滞的速度很慢,很容易陷入局部极值,很难确定隐藏层数和隐藏层节点数。 本文提出了一种基于样本随机分布的BP网络识别改进算法,并进行了深入的数学分析和试验验证。 已经尝试证明改进的算法可以用于改善传统BP网络的慢速率并且易于陷入局部极值。 关键词:BP网络随机对称分布诱导率
中图分类号:TP391.4文献标识码:A文章编号:1007-9416(2014)08-0127-03 1引言人工神经网络是一个非常活跃的交织主题 在过去的30年里长大了。 它是一种类似于人类神经系统的信息处理技术。 它可以被视为一种功能强大且广泛使用的机械训练算法。 它广泛应用于兑现分类,聚类,拟合,预测,压缩等,并已在高校和工程实践中进行了讨论[1]。 最常见的应用是BP神经网络训练算法,它是一种选择非线性变换单元并选择后向传播训练算法的前向网络。 BP神经网络是前向神经网络的重点组成部分,也是整个小型神经网络系统的精髓。 在实际应用中,大约80%的神经网络模型接受BP网络或其变化系统[2]。 BP网络具有良好的泛化应用能力,但同时存在许多不足,如停滞速度慢,容易陷入局部极值,难以确定隐层和隐层节点的数量, [3],特别是网络速率慢,容易陷入局部极值的问题,已成为BP神经网络发展的瓶颈问题,对神经网络在许多领域的实际应用具有重要影响。 文献[5]解决了训练样本输入时间对三种波形分类的影响。 建议随机输入的输入模式和本地输入方法更好。 文献[6]提出将一系列样本“平行”与训练混合,并在必要的水平上提高新学习和忘记旧学习。 本文在这些改进算法的基础上,提出了一种改进的随机对称分布和类间对称分布相结合的样本随机分布算法。 2 BP神经网络样本顺序和诱导率2.1三层神经网络原理[1]提出三层网络可以实现任何非线性输入到输出映射,因此本文选择一个三层BP 神经网络,其布局模型如图1所示。第一层是样本输入层,网络输入模式是,第二层是隐藏层,有n个神经元,它们的输出被记录为第三层。层输出层,有m个神经元,2.2数学分析停滞率与样本的顺序之间的关系。 培训规定过程是样本培训的总偏差和每个体重调解的反向谣言。 过程中,总偏差公式为:判定公式(11)和(12)得出结论:训练速度(步长)和权重调节与样本特征的差异成正比,即网络的约束率 和样品由输入引起的样品特征的差异与样品的大小成比例。 2.3随机和均匀分布样本的顺序与BP网络的停滞率之间的关系。 从上一节开始,BP网络的停滞率与样本输入引起的样本特征之间的差异很大。 恰好比例。 样本的随机对称分布仅仅是相邻输入样本和子种的使用,样本特征的差异较大,相互之间的相似性较低,个体差异较大,接触较小等。 ,并出现偏差曲线。 部分振动,这些部件的振动使网络的重量调整步骤增加,将训练时间延长到一定程度,但这只是因为训练步骤增加,有利于提高网络的约束率。 。 随着训练时间的增加,BP网络逐渐“适应”对称样本,起点对全局最优点非常谨慎。 因此,从对称分布的样本输入的整体考虑,虽然部分地增加了BP网络训练过程的振动外观,但是提高了自然约束率,并且节省了部分极值的有用性。 其次,由于BP网络的布局是模仿人脑的布局和功能,它具有“遗忘”。 始终与训练相比较的样本特征清晰显示。 培训对长期样本培训数据的印象越多。 更混乱,BP网络和样本输入关系,样本训练的随机分布可以使网络反复重复不同类型的印象的特征,在短时间内将是不同的类型,等等。 数量训练一次,训练云训练,直到所有训练样本形成良好。 它是深化BP网络对样本的认识,提高网络谨慎率,不易陷入某些极端值。 因此,选择样本输入时间的随机对称分布对于增加BP神经网络的停滞率比传统样本数更有用。 3基于随机样本分布的BP网络改进算法。 第二部分从数学公式的角度推导出样本顺序与网络谨慎率之间的关系,表明传统的BP神经网络算法对样本。 输入顺序具有一定程度的灵敏度,不同的样本输入时间在一定程度上影响BP神经网络的本能。 由于传统BP网络的样本输入按序列号的顺序排列,因此样本在每次迭代训练的同时发送到网络训练,每次迭代时样本偏差大的偏差很大。 ,这也是BP神经网络网络培训速度缓慢的严重原因。 为此,基于网络对输入样本的敏感性,提出了一种用于输入类型的凭证样本的改进算法,以将样本输入到随机且均匀分布的分布中,即,训练集从头优化并且 每次迭代输入训练样本。 该顺序是随机分布的,以增加样本之间的特征差异,并增加网络停滞的速度。 3.1样本空间边界据说是第一个。 如果样本空间的训练样本中的样本数量彼此相当,则样本聚合被聚类并通过已知样本输出类型预先布置。 如果样本的输出类型是Y,则分离为y1,y2,... yM,即。 3.2样本的随机均匀空间分布该过程包括两个过程,分离是类内样本的随机对称分布和类之间的对称分布。 这两个程序依次迭代,直到样本集的样本全部重新组织。 3.2.1班内随机对称分布。 从原始样本集的聚类分析开始,可以选择欧几里德距离度量或相似性度量。 在本文中,选择距离测量中的欧几里德距离法。 公式如下:因为在yM类中随机提取单个样本的概率是相等的,无论类内源的位置和位置如何,样本的随机几率均匀分布的样本 在课堂上很荣幸。 3.2.2类别之间的正交分布根据物种对样本进行采样,然后根据不同类型的部分均匀分布采样样本,并根据不同的种类对样本进行兑现。 对称分布,样本的不同样本的均匀分布可以用对称分布函数表示:简而言之,类内和类之间的两个随机对称分布,满足类内样本的随机抽样等 该类中原始序列号的原始顺序被破坏,并且协商不同类和类之间的对称排列以匹配不同类型的均匀分布。 这两个程序依次迭代,直到样本集的样本都被重新组织,并获得所需随机均匀分布的样本训练空间集。 如下图所示,由于相邻天体作业的对称分布属于不同物种,具有个体差异,相似性低,连通性小,因此BP神经网络有利于再现样本的印象。 传统的BP神经网络具有缓慢的约束速度并且容易陷入局部极值的问题得到改善。 4尝试模拟基于细胞的识别平台,尝试模拟,使用传统的BP神经网络算法和改进的BP神经网络算法对白细胞,红细胞和肾小管细胞三类细胞进行分类,每类 从50个训练样本中选择细胞,每个样本提取10维特性。 本文选择一个三层BP神经网络,它只包含一个隐含层,输入层节点号是凭证样本的输入特征。维度选择为10,隐藏层节点的数量为12,输出层凭证分类种子节点的数量为3,从而能够确定三层BP神经网络布局。 仿真如图2所示。从图2中可以看出,改进的BP神经网络算法比传统的BP算法更快,并且避免局部极值问题是有用的。 基于样本随机分布的BP神经网络改进算法有效地提高了bp神经网络的识别本能。 5结论本文提出了一种基于样本随机对称分布的改进BP神经网络算法。 针对传统BP算法的问题,增加训练集重组优化,首先对训练样本进行聚类,然后分离对。 样本空间执行类内和类间重复分布的随机协调,这破坏了传统算法对序列号的输入。 它保持了传统算法的优势,提高了传统算法的慢速率,易于陷入。 部分极端值问题,试图表明改进算法有效地改善了BP神经网络识别本能。 参考文献[1]孙义祥。 模式识别(第二版)高端教学出版社,2008年10月。[2]张德峰。 MATLAB神经网络应用设计。 2001年1月。[3]唐磊。 BP网络布局确定算法的探讨与仿真。 2008年5月。[4]彭汉川,甘强,魏仁。 改进前馈神经网络提升人才的现实要点[J]。 战略工程与应用,1999,(1):47-48。 [5]胡泽,吴宁,陈伟。 三维神经网络BP算法基本波形分类中训练样本输入模式的分类。 西南石油学院学报,1994年8月。[6]蒋宗礼,王义和,毕克斌。 BP算法。 哈尔滨工业大学学报,1993年4月。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86567/
 与本篇相关的热门内容: