BP网络

风靡全球

BP网络

基于对人脑组织结构、活动机制的初步认识而建立起来的神经网络新学科,其目的在于模拟大脑的某些机理与机制,卖现某方面的功能。人工神经网络的模型辩识主要包括确定模式结构、估针模型未知参数和植脸模型效果三个内容,当采用神经网络模型进行模型辩识时,这三个内容就相应的变成网络拓扑结构的选择、学习训练以及网络泛化能力的检验神经网络的种类很多,的BP网络田即均阿。一种在理论和应用方面发展都较成熟的反向传播算法的多层前馈网络。与其他模型相比,BP网络是应用最广泛、效果最好的方法,有更好的持久性和适时预报性;可通过学习以任意精度逼近任何连续映射。因此本文采用BP棋型对选矿厂浮选车间进行建模。

BP网络模型结构及网络拓扑结构的确定

BP网络是典型的多层网络,由输入层、一个或多个隐含层和输出层构成,层与层之间采用全互连方式,同一层的各单元之间不存在相互连接,每一层的节点输出送到下一层节点,输出值由前一层的输入、激励函数及其闭值决定。最基本的BP网络是三层前馈网络川,即输入层LA、隐含层L。和输出层cL,节点(人工神经元)之间前向连接,其拓扑结构.

构造网络时,输入层及输出层的节点数根据问题的输入输出向量的变量个数而定。所以剩下的问题就是隐含层节点数的确定。隐含层节点数的选择与应用对象的具体问题有关,在不同的情况下可能选择不同的隐含层节点数。一般来说网络隐含层节点数太少,网络将不能建立复杂的映射关系,使网络培训不出来,或不能识别以前没有的样本,容错性差;节点数过多,又使网络学习时间过长,误差也不一定最小,因此BP网络应有一个最佳隐含层节点数。对此,鉴于尚无理论指导,也采用实验方法进行确总的说来,研究方向有四个:

1.经验公式,张立明等提出了几个经验公式,但策略色彩太重,实际应用中不一定合适;

2.在初时采用较小或较大的网络结构,然后进行扩充或裁减,即网络结构优化问题。具体方法包括1)构造法即先设置较少的隐含层节点数,若网络输出误差不符合设定的要求,则逐渐增加节点数,直到网络的误差不再有明显的减小为止;(2)删除法即先给网络一个较大的隐含层节点数,若网络输出误差不符合设定的要求,则逐步删除隐含层节点,直至合适为止。吕砚山等提出单隐含层

网络适用删除法,双隐含层网络适用构造法。

3.网络自适应,张立明等1273][4][35]提出采用遗传算法来实现网络结构的自适应。

4.交叉证实法,徐力平等提出交叉证实法是选择BP神经网络隐层单元数比较适宜的一种方法。它是通过比较不同隐层单元数的神经网络多次习U练结果的证实误差(valldation~sr)算术平均值的大小确定孰优孰劣。它可以使BP神经网络不仅能较好地拟合训练集的数据,而且对与训练集数据有微小差异的数据也能较好拟合。