未来智库 > 神经网络论文 > BP人工神经网络算法的探究及其应用

BP人工神经网络算法的探究及其应用

发布时间:2018-06-08 01:06:00 文章来源:未来智库    
    关键词:数据挖掘 分类 BP神经网络 算法
    中图分类号:TP391 文献标识码:A 文章编号:1007-9416(2016)02-0000-00
    1 概述
    随着信息科学和互联网的深入发展,从浩翰的数据库中挖掘有用的信息成为一个迫切需要解决的问题。数据挖掘的研究应用而生[1]。它反复应用挖掘算法从观测的数据中提取一个更为简洁的模式.这种模式应该是一种自然的表示形式(如数学公式、自然语言或图表等)。本文针对目前数据挖掘中的研究热点分类问题,探索在数据挖掘中应用神经网络方法,挖掘大型数据库的分类规则。
    2 研究现状
    人工神经网络从上世纪40年代开始研究迄今,已经历了七十多年的历史。到目前为止,已经出现了几百个神经网络模型和相应的算法,在基础理论、模型与算法、实现与应用诸方面都有了长足的进展。其中误差逆传播(Error Back-propagation)算法(简称BP算法)是一种较为常用的算法。神经网络理论的应用领域主要有分类识别、联想记忆、聚类分析和压缩、结构序列的产生及网络训练等[2]。
    3 BP神经网络
    3.1 概念
    BP(Back Propagation)神经网络作为典型实用的人工神经网络算法,以神经元为基本结构,由输入层、隐藏层和输出层三部分组成,呈阶层分布。中间层又可以扩展为多层,层与层之间由各个神经元进行全连接,而每层各神经元之间无连接。每个神经元输入有多个连接通路且只有一个输出,每个连接通路对应一个权值系数(Weight),神经网络的学习与训练是通过网络权值和阈值的调节来实现的[3]。
    3.2 算法的分析
    BP神经网络算法作为一种典型的有监督学习的算法,它的学习过程由正向传播和逆向传播组成,在正向传播过程中,输入信息从输入层经过隐藏单元层进行逐层处理,并传向输出层,每一层神经元的状态只影响下一层的神经元状态。若在输出层不能得到预期的结果,则会转入反向传播,将误差信号沿着原来的连接通路返回。这样通过一定的规则,对各层神经元的权重或阈值进行修改和调节,来减小误差信号,然后再转入正向传播过程,通过反复迭代,直至网络输出与目标值误差最小。
    人工神经网络中,输入层中有n个神经网络,隐含层中有M个神经元。输出层神经元的输出,也就是整个网络的输出为y,网络中输入层的输出分别是x1,x2,…,隐含层各神经元的输入分别是:
    4应用实例分析
    5结语
    BP神经网络模型把一组样本的I/O问题变为一个非线性优化问题,使用了优化中最普通的梯度下降法,用迭代运算求解权相应于学习记忆问题,加入隐藏节点使优化问题的可调参数增加,从而可得到更精确的解。神经网络利用其算法信息分布式处理和并行协同处理的特点来模拟人脑的直观思维方式,可用于对复杂数据的目标拟合、模式分类和预测趋势。
    参考文献
    [1]王伟.人工神经网络原理―入门与应用[M].北京:北京航空航天大学出版社, 1996.
    [2]邵峰晶.数据挖掘原理与算法[M].北京:中国水利水电出版社,2003.
    [3]倪志伟,贾瑞玉,李龙澍.基于神经网络的范例推理[J].微机发展,2001,11(5):3-5
    收稿日期:2015-12-07
    作者简介:李振(1988―),男,山东泰安人,硕士研究生,主要从事数据挖掘、地理信息数据处理与分析等工作。
转载请注明来源。原文地址:https://www.7428.cn/vipzj19555/
 与本篇相关的热门内容: