查看: 1145|回复: 6

[其他经验] 神经网络的基本原理

[复制链接]

字体大小: 正常放大

风靡全球

361 主题	13 听众	2078 积分

风靡全球

TA的每日心情

	开心 2016-11-15 12:14

签到天数: 102 天

[LV.6]常住居民II

网络挑战赛参赛者

电梯直达

1^#

发表于 2015-9-4 11:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

神经网络的基本原理

神经网络应用于森林生物量遥感模型拟合的主要思想把遥感图像和专题图的提取特征作为神经网络的输入信号,神经网络按一定规则训练后,早输出端即可对输出信号进行计算。用于森林生物量遥感模型拟合的神经网络宜采用分别具有一个输入层、隐层和输出层组成的三层神经网络。

一仍一神经网络是指基于误差反向传播算法但一算法的多层前向神经网络。,主要原理是将影响预测对象的因子作为网络的输入,将预测对象作为网络的输出。网络确定后,利用该网络进行监督学习,识别影响因子与预测对象之间复杂的非线性映射关系在参数适当时,能收敛到较小的均方误差。

一个典型的三层一网络包括输入层、输出层和隐含层,同一层神经元之间互不相连,不同神经元之间则全互连,网络的拓补关系图如图一所示。神经网络的权重是由前馈或反馈通过若干个神经元相互连接,这些神经元位于隐含层,并通过其连接输入层和输出层。神经网络通常具有一个或多个隐层,每个隐层的神经元个数是不定的。一网络的神经元采用的传递函数通常是型可微函数,所以可以实现输入和输出间的任意非线性映射。理论己经证明,当隐层神经元数目足够多时,可以以任意精度逼近一个具有有限间断点的非线性函数,所以非常适用于非线性模型拟合。

学习算法由正向、反向传播构成。在正向传播中,信息由输入层经隐层传向输出层,若输出层得到了希望的输出,学习结束否则,转至反向传播。在反向传播中,误差信号样本输出与网络输出之差按原连接通道反向计算,由梯度下降法调整各层神经元的权值和闽值,使误差信号减小。

算法的具体步骤如下设置初始权系,为较小的随机非零值从样本集中取一个样本,将其输入网络计算相应的实际输出计算实际输出与相应目标输出的差,当其小于精度控制参数时,学习结束按极小化误差的方式调整权矩阵。

算法的主要缺点是收敛速度慢、局部极值、难以确定隐层和隐层节点个数。在实际应用中,算法很难胜任,因此出现了许多改进算法。改进的主要途径有以下两种一种是采用启发式学习算法,其中包括有动量的梯度下降法、有自适应的梯度下降法、有动量和自适应的梯度下降法和能复位的训练法哪另一种则是采用更有效的优化算法,主要包括共扼梯度法.

zan