前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文第1篇

1基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)

1.1貝葉斯算法基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)是基于貝葉斯定理而發(fā)展出來的用于解決統(tǒng)計問題的方法，即任意一個待求量都可以看作是一個隨機變量，因此可以通過概率分布來對待求量進行描述，這個概率是在抽樣前就有的關(guān)于待求量的先驗概率分布。貝葉斯理論正是在沒有樣本信息時，只根據(jù)先驗概率分布來求解待求量。而在有樣本后，則可根據(jù)總體、樣本和先驗信息的聯(lián)合分布來對未知量進行判斷。后驗分布π（θ|x）是反映人們在抽樣后對隨機變量θ的認識，其與先驗分布即樣本x的差異是由于樣本出現(xiàn)后人們對θ的調(diào)整，即后驗分布π（θ|x）為抽樣信息對先驗分布π（θ）調(diào)整的結(jié)果[6]。

1.2貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)是一種以神經(jīng)網(wǎng)絡(luò)基本原理為構(gòu)架，通過引入貝葉斯推理有效地控制網(wǎng)絡(luò)模型的復(fù)雜度，進而更好地解決非線性問題及其不確定性[7]。在BP神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練樣本集為D（xm，Om），xm為輸入信號，Om為輸出節(jié)點，在一定的網(wǎng)絡(luò)結(jié)構(gòu)A與網(wǎng)絡(luò)參數(shù)W下，可以得到網(wǎng)絡(luò)的輸出由網(wǎng)絡(luò)的輸入D唯一的確定。網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)為誤差函數(shù)ED（D|W，A），則有。采用貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)步驟如下：（1）確定網(wǎng)絡(luò)結(jié)構(gòu)A，初始化超參數(shù)α，β，對網(wǎng)絡(luò)參數(shù)W進行賦值。（2）以最終目標(biāo)函數(shù)為M（W）最小為原則，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，尋找最優(yōu)可能網(wǎng)絡(luò)參數(shù)W。（3）尋找最優(yōu)可能參數(shù)α，β。（4）采用不同初始網(wǎng)絡(luò)參數(shù)尋找最優(yōu)網(wǎng)絡(luò)參數(shù)。（5）對不同網(wǎng)絡(luò)結(jié)構(gòu)A，尋找最優(yōu)網(wǎng)絡(luò)參數(shù)。

2貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化結(jié)果分析

2.1訓(xùn)練樣本與測試樣本在對管道進行磁化的過程中，最常用的方法是沿管道軸向進行磁化，提取缺陷處沿軸向變化的漏磁場與沿周向變化的漏磁場，缺陷的長度信息主要由沿軸向變化漏磁場反應(yīng)，缺陷的寬度信息主要由沿周向變化的漏磁場反應(yīng)，而缺陷的深度信息則是由這兩個量共同反應(yīng)[9]。本文采用實驗的方法獲取網(wǎng)絡(luò)所需樣本，這里以對陡壁缺陷的分析為例，研究貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)對陡壁缺陷量化的有效性。分別制作缺陷長度為3，3.5，4，4.5，5，5.5倍管道壁厚，寬度為0.5，1，1.5，2倍管道壁厚，深度為0.1，0.15，0.2，0.25倍管道壁厚，共得到96組測量結(jié)果，取其中80個缺陷特征作為網(wǎng)絡(luò)的訓(xùn)練樣本，剩余的16個缺陷特征作為測試樣本。

2.2長度的量化采用統(tǒng)計分析的方法選取與缺陷長度關(guān)系密切的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入信號，將缺陷長度作為網(wǎng)絡(luò)的輸出信號來對網(wǎng)絡(luò)進行訓(xùn)練。所選取主要特征有漏磁場軸向分量的靜態(tài)閾值截取長度、一階微分信號極小值的位置與周向變化漏磁場動態(tài)閾值截取長度。分別對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)均方誤差小于10-3時停止訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖1所示。比較兩種算法訓(xùn)練過程可以看出貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)總共進行了331次訓(xùn)練，而基本的BP神經(jīng)網(wǎng)絡(luò)總共進行了1789次訓(xùn)練，可見貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)的收斂速率更快。用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)長度的量化誤差進行比較，得到量化后缺陷最大相對誤差與最小相對誤差如表1所示，對應(yīng)貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化的缺陷如表2所示。從表2中可以看出，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化得到的缺陷長度與設(shè)計值的誤差明顯小于基本的BP神經(jīng)網(wǎng)絡(luò)，最大相對誤差僅為0.05%。

2.3寬度的量化與缺陷長度的量化相似，采用統(tǒng)計分析的方法選取與缺陷寬度關(guān)系密切的特征量作為神經(jīng)網(wǎng)絡(luò)的輸入信號，將缺陷寬度作為網(wǎng)絡(luò)的輸出信號來對網(wǎng)絡(luò)進行訓(xùn)練。所選取主要特征有軸向變化漏磁場峰谷值、周向變化漏磁場波形面積、波形能量、靜態(tài)閾值截取長度。分別對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)均方誤差小于10-3時停止訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖2所示。比較兩種算法訓(xùn)練過程可以看出貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)總共進行了269次訓(xùn)練，而基本的BP神經(jīng)網(wǎng)絡(luò)總共進行了2248次訓(xùn)練，可見引入貝葉斯算法后的BP神經(jīng)網(wǎng)絡(luò)的收斂速率大幅提升。與之前相同，用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)寬度的量化誤差進行比較，得到量化后缺陷誤差如表3所示，貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化達到誤差的缺陷見表4。在對缺陷寬度進行量化的過程中，盡管量化得到的最大相對誤差仍較大，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)量化得到的缺陷寬度與設(shè)計值的誤差明顯小于基本的BP神經(jīng)網(wǎng)絡(luò)。

2.4深度的量化在對缺陷的深度進行量化時，采用統(tǒng)計分析的方法選取了缺陷的長度、寬度以及軸向變化漏磁場的兩個峰谷值、波形面積、周向變化漏磁場峰值、峰谷值作為神經(jīng)網(wǎng)絡(luò)的輸入信號，將缺陷深度作為網(wǎng)絡(luò)的輸出信號來對網(wǎng)絡(luò)進行訓(xùn)練。對基本的BP神經(jīng)網(wǎng)絡(luò)與貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到兩種網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程如圖3所示。貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)總共進行了4152次訓(xùn)練，基本的BP神經(jīng)網(wǎng)絡(luò)總共進行了8763次訓(xùn)練，盡管引入貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程仍舊較長，但比基本BP神經(jīng)網(wǎng)絡(luò)的收斂速率有所提升。用16組測試數(shù)據(jù)對兩種網(wǎng)絡(luò)深度的量化誤差進行比較，得到量化后缺陷誤差如表5所示，貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)量化達到誤差的缺陷見表6。從對缺陷深度量化結(jié)果可以看出，采用貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)對缺陷深度進行量化，得到的缺陷深度與設(shè)計值的誤差小于基本的BP神經(jīng)網(wǎng)絡(luò)。

3結(jié)束語

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文第2篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 礦山 安全狀態(tài) 評判能力

中圖分類號：TD77；TP181 文獻標(biāo)識碼：A 文章編號：1007-9416（2015）04-0206-01

通過改變神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本等方式，對神經(jīng)網(wǎng)絡(luò)不同訓(xùn)練樣本的反應(yīng)能力進行對比分析，從而探討人工神經(jīng)網(wǎng)絡(luò)對礦山安全程度評價的適應(yīng)性。為了有效的提高人工神經(jīng)網(wǎng)絡(luò)對礦山安全程度評價的能力，可以通過改變神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目以及初值賦值的方式來測試不同的結(jié)構(gòu)，從而得出不同參數(shù)下神經(jīng)網(wǎng)絡(luò)對相同訓(xùn)練樣本的評價結(jié)論，以便提高其評價能力，在礦山安全狀態(tài)評判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用。

1 人工神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計與原始數(shù)據(jù)的準(zhǔn)備

本文中主要采取如1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)測試目的的差異性，其測試過程中神經(jīng)網(wǎng)絡(luò)的部分性能也就不同，但是對整個網(wǎng)絡(luò)結(jié)構(gòu)的性能不會改變。

這種神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)是單輸入、三層式BP的網(wǎng)絡(luò)結(jié)構(gòu)，輸出連接、目標(biāo)連接、輸入權(quán)重連接、偏置連接以及層權(quán)連接等是其主要的連接方式。各層神經(jīng)元的分類包括：第一隱含層有8個正切S型神經(jīng)元，第二隱含層有8個對數(shù)S型的神經(jīng)元，輸入層有4個元素，輸出層有一個線性神經(jīng)元。其網(wǎng)絡(luò)函數(shù)主要包括訓(xùn)練函數(shù)、初始化函數(shù)、性能函數(shù)以及各網(wǎng)絡(luò)層的層初始化函數(shù)。其訓(xùn)練函數(shù)需要采取TRAINLM回轉(zhuǎn)方法來運算；初始化函數(shù)需要采取逐層初始化的方法運算；性能函數(shù)需要采取均方誤差法來計算；各網(wǎng)絡(luò)層的層初始化函數(shù)需要采取優(yōu)化規(guī)則的方式計算，有的時候還需要采取INITWB的方式進行運算。各個權(quán)閾值的初始化需要采用RANDS方法來計算。在人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的原始樣本數(shù)據(jù)以及期望值中，這些數(shù)據(jù)主要是用來評價地質(zhì)因素對礦山安全影響程度的原始數(shù)據(jù)。當(dāng)訓(xùn)練完成之后，需要對其各種數(shù)據(jù)進行仿真測試，以便評斷這種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在礦山安全狀態(tài)中的應(yīng)用價值與能力，并對其不足之處以及缺陷問題等進行分析，以便尋找出更加優(yōu)化的方案，從而提高人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評判作用與能力。

2 人工神經(jīng)網(wǎng)絡(luò)對礦山安全狀態(tài)評判能力的訓(xùn)練以及仿真測試

對礦山安全評價的方法較多，但是能夠較好的應(yīng)用于礦山安全評價的方法卻很少，例如事故樹分析法、概率風(fēng)險評價法以及事件樹分析法等，這些方法均由于基本事件的發(fā)生概率的確定方面存在一定的困難，從而導(dǎo)致運用于礦山過程中的安全評價效率不高。另外，在礦山安全狀態(tài)評價的過程中，其安全檢查表、專家評價方法等存在一定的缺點與不足，其在評價的過程中，主觀性較強，受到個人意識的影響較大。綜合指標(biāo)評價法由于其指標(biāo)間的邏輯關(guān)系，指標(biāo)的權(quán)值與指標(biāo)的量化等問題，從而導(dǎo)致該方法難以在礦山安全狀態(tài)中進行準(zhǔn)確的評價。只有能夠更好的適應(yīng)這種復(fù)雜的動態(tài)系統(tǒng)的安全評價方法，才能夠?qū)⑵涓玫膽?yīng)用在礦山安全狀態(tài)評價中[1]。

其中人工神經(jīng)網(wǎng)絡(luò)在處理無法使用簡單規(guī)則或公式進行描述的大量的原始數(shù)據(jù)的問題時，以及在處理規(guī)律不清楚的問題時，其具有較大的優(yōu)勢。也正是由于這種方法能夠?qū)?fù)雜的非線性動力學(xué)系統(tǒng)的適應(yīng)，才能夠使其在礦山安全狀態(tài)評價中得到引進與推廣。將人工神經(jīng)網(wǎng)絡(luò)對礦山安全狀態(tài)評價能力的訓(xùn)練進行仿真實驗，在每次實驗檢測之前，都需要對同一神經(jīng)網(wǎng)絡(luò)進行重新初始化，之后需要運用相同的訓(xùn)練樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，以便達到訓(xùn)練要求后對網(wǎng)絡(luò)進行仿真測試，訓(xùn)練性能函數(shù)的誤差需要保持在10以內(nèi)。其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是網(wǎng)絡(luò)在初始權(quán)閾值的基礎(chǔ)上，對其權(quán)閾值進行不斷的修改，以便尋找出它們之間的某種聯(lián)系，使得輸入的整個訓(xùn)練樣本集數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)的運算之后，其輸出與相應(yīng)的目標(biāo)數(shù)據(jù)差別能夠滿足性能函數(shù)的要求。因此，在人工網(wǎng)絡(luò)對礦山安全狀態(tài)進行評判的時候，即使所有數(shù)據(jù)與性能均符合要求，但是由于在訓(xùn)練的時候就被賦予了不同的權(quán)閾值，訓(xùn)練之后得到的權(quán)閾值的最終組合也會存在較大的差異。通過神經(jīng)網(wǎng)絡(luò)對礦山進行安全評判的目的在于運用神經(jīng)網(wǎng)絡(luò)總結(jié)分析數(shù)據(jù)，對礦井各個致災(zāi)的貢獻率進行分析，進而對礦山的安裝狀態(tài)進行評判。從神經(jīng)網(wǎng)絡(luò)的角度來分析，通過運用網(wǎng)絡(luò)的運算功能對訓(xùn)練樣本的數(shù)據(jù)進行統(tǒng)計分析，并從中找出滿足目標(biāo)值以及性能要求的權(quán)閾值組合形式，從而通過仿真方式來評價礦山的安全狀態(tài)。

3 結(jié)語

通過對人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)的評判能力進行訓(xùn)練以及仿真測試后，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)與人類評判方法存在一定的差異性，在今后的發(fā)展過程中，還需要對人工神經(jīng)網(wǎng)絡(luò)在礦山安全狀態(tài)中的評判能力進行不斷的優(yōu)化與改進，以便更好的適應(yīng)礦山安全狀態(tài)的評判，在礦山安全狀態(tài)的評判中充分發(fā)揮出人工神經(jīng)網(wǎng)絡(luò)的作用，從而更好的確保礦山生產(chǎn)與經(jīng)營的安全性。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文第3篇

>> 基于人工神經(jīng)網(wǎng)絡(luò)過閘流量模型在南水北調(diào)中線工程的應(yīng)用 基于人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化配置研究 基于BP神經(jīng)網(wǎng)絡(luò)的彩色溫度軟測量 基于小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測研究 基于改進小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測研究 基于混沌神經(jīng)網(wǎng)絡(luò)的區(qū)域物流量預(yù)測 基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客流量預(yù)測研究 基于人工神經(jīng)網(wǎng)絡(luò)的煤炭需求預(yù)測 基于人工神經(jīng)網(wǎng)絡(luò)的PPI預(yù)測模型 基于人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)距離保護 基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷 基于人工神經(jīng)網(wǎng)絡(luò)的化工安全評價 基于人工神經(jīng)網(wǎng)絡(luò)的人口預(yù)測 基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別 基于人工神經(jīng)網(wǎng)絡(luò)的車牌識別探究 基于人工神經(jīng)網(wǎng)絡(luò)的信息處理 基于人工神經(jīng)網(wǎng)絡(luò)的巨大兒預(yù)測的研究 基于BP人工神經(jīng)網(wǎng)絡(luò)的土壤含水量預(yù)測模型的研究 基于BP人工神經(jīng)網(wǎng)絡(luò)的知識管理戰(zhàn)略選擇研究 基于人工神經(jīng)網(wǎng)絡(luò)的水泵故障診斷技術(shù)研究 常見問題解答 當(dāng)前所在位置：

關(guān)鍵詞：BP網(wǎng)絡(luò)；軟測量；過閘流量；MATLAB神經(jīng)網(wǎng)絡(luò)工具箱

DOI： 10.3969/j.issn.1005-5517.2013.10.011

引言

通過閘門的水流量是一個非常重要的參數(shù)。只有獲得準(zhǔn)確的流量值，才能實現(xiàn)對水資源的優(yōu)化配置。目前對于過閘水流量的測量已形成了幾種方法：流速儀法、水力學(xué)公式法以及曲線法[1，2]。其中，被廣泛運用與現(xiàn)場測流中的方法是流速儀法，它也是流量測量中最重要的方法。流速儀法是通過實測斷面上的流速和水道斷面積來確定流量的方法。測量時先在斷面上布設(shè)測速垂線和測速點，再將流速儀放到測速點處測速，用分割法計算斷面面積，推算出流量。雖然這種測流方法是目前的主導(dǎo)方法，但卻存在著一些天生的缺陷：一是很難確定合適的測速垂線及測點，這是由于河道斷面形狀的不規(guī)則以及流速場分布情況復(fù)雜等原因造成的；二是實時性不高，測量時間比較長，從而導(dǎo)致管理部門不能及時了解過閘流量，耽誤啟閉閘門的最佳時機；三是需要的硬件資源比較多，因此大大增加了測流成本。鑒于此，研究一種新型的即簡單、操作方便實時性又高，并且精度滿足要求的測流方法已成為目前的迫切需求。而本文采用的BP網(wǎng)絡(luò)軟測量技術(shù)正好解決了以上諸多問題。

BP神經(jīng)網(wǎng)絡(luò)軟測量模型

隱含層神經(jīng)元數(shù)的確定

隱含層神經(jīng)元數(shù)的選擇在理論上并沒有一個明確的規(guī)定。因此，選擇合適的神經(jīng)元數(shù)就顯得十分麻煩。如果神經(jīng)元太少，則網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要的訓(xùn)練次數(shù)也多，訓(xùn)練的精度也不高。反而言之，如果隱含層神經(jīng)元數(shù)選的太多，雖然功能會越大，但是循環(huán)次數(shù)也就是訓(xùn)練時間也會隨之增加。另外可能還會出現(xiàn)其他的問題，如導(dǎo)致不協(xié)調(diào)的擬合。一般的選擇原則是：在能夠解決問題的前提下，再加上一到兩個神經(jīng)元以加快誤差的下降速度即可[7]。

這里，我們通過對不同神經(jīng)元數(shù)進行訓(xùn)練對比，以及通過簡單的交叉驗證法確定隱含層的神經(jīng)元數(shù)為15個?；贐P網(wǎng)絡(luò)的過閘流量軟測量模型如圖1所示。

數(shù)據(jù)樣本的選取及處理

所用的人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試集樣本來源于碧口水電廠右泄工作門2001年水文歷史數(shù)據(jù)。從中選取典型的60組數(shù)據(jù)，其中前40組作為訓(xùn)練樣本，后20組作為測試樣本。限于篇幅只列出部分數(shù)據(jù)，如表1所示。

由于輸入樣本各參數(shù)的集中取值范圍不同，參數(shù)大小不一，為了使各類參數(shù)所起的作用大致相同，必須對輸入數(shù)據(jù)進行標(biāo)準(zhǔn)化，把輸入數(shù)據(jù)都規(guī)一到[0，1]閉區(qū)域內(nèi)[8]。因此，我們對表1的數(shù)據(jù)做如下處理：H*G=HG/10；H*UP=HUP/1000；Q*=Q/Qmax。

運用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進行訓(xùn)練與測試

在運用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進行訓(xùn)練之前，要注意兩方面問題。一是初始權(quán)值的選擇，再個就是學(xué)習(xí)速率的選取。

由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)是否達到局部最小、是否能夠收斂以及訓(xùn)練時間的長短的關(guān)系很大。一般選取初始權(quán)值為（-1，1）之間的隨機數(shù)。在MATLAB工具箱中可采用函數(shù)initnw.m初始化隱含層權(quán)值。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。若學(xué)習(xí)速率過大可能導(dǎo)致系統(tǒng)的不穩(wěn)定；但學(xué)習(xí)速率過小會導(dǎo)致訓(xùn)練時間較長，收斂速度很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。所以在一般情況下，傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。學(xué)習(xí)速率的選取范圍在0.01到0.8之間。綜合考慮一下，本系統(tǒng)選取學(xué)習(xí)速率為0.1。BP網(wǎng)絡(luò)訓(xùn)練程序如下所示[9]：

%定義輸入向量和目標(biāo)向量

P=[0.5 0.6 0.8 ？？；0.7082 0.7081 0.7079 ？？]；

T=[0.3744 0.4533 0.3735 0.648？？]；

%創(chuàng)建BP網(wǎng)絡(luò)和定義訓(xùn)練函數(shù)及參數(shù)

net=newcf（ minmax（P），[15，1]，{‘lo gsig’，‘purelin’}，‘traingd’）；

net=initnw（net，1）；

net.trainParam.epochs=5000；

net.trainParam.lr=0.1；

net.trainParam.goal=0.00001；

%訓(xùn)練神經(jīng)網(wǎng)絡(luò)

[net，tr]=train（net，P，T）；

待網(wǎng)絡(luò)訓(xùn)練好后，利用選定的20組測試樣本對其進行測試，以測量其泛化能力。測試結(jié)果如圖2和圖3所示。

圖2為真實流量值與通過BP網(wǎng)絡(luò)軟測量模型的預(yù)測值之間的擬合曲線，方框代表預(yù)測值，圓點代表真實值。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文第4篇

【關(guān)鍵詞】大學(xué)生身體素質(zhì)評估 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) MATLAB計算程序

在校大學(xué)生是國家重要的人才后備力量，大學(xué)生的身體素質(zhì)培養(yǎng)和鍛煉是學(xué)校體育教學(xué)中關(guān)注的重點。對大學(xué)生身體素質(zhì)進行科學(xué)、切實的評價可制訂更為有效的培養(yǎng)方案，幫助大學(xué)生提高其身體素質(zhì)。身體素質(zhì)評價就是將大學(xué)生的身體形態(tài)、生理機能及運動能力等方面的數(shù)據(jù)綜合起來進行評價[1]。從以往的研究成果看，對大學(xué)生身體素質(zhì)評價集中于采用概率統(tǒng)計、多元回歸分析和神經(jīng)網(wǎng)絡(luò)[2]的方法。然而，概率統(tǒng)計僅得到整體評價結(jié)果，多元回歸分析預(yù)測精度較低，且兩者受樣本空間影響較大。為此，本文利用遺傳算法來訓(xùn)練初始網(wǎng)絡(luò)模型，再用BP算法來進行精確求解，是對神經(jīng)網(wǎng)絡(luò)評估大學(xué)生身體素質(zhì)的進一步優(yōu)化應(yīng)用。

基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)理論

通過把神經(jīng)網(wǎng)絡(luò)和遺傳算法合理、科學(xué)的結(jié)合，既能夠利用神經(jīng)網(wǎng)絡(luò)較強的學(xué)習(xí)能力，又發(fā)揮了遺傳算法全局尋優(yōu)的搜索功能。首先利用遺傳算法得到權(quán)值的較優(yōu)初始取值，訓(xùn)練網(wǎng)絡(luò)避免了局部極小，利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)和最終權(quán)值也相對穩(wěn)定，訓(xùn)練速度明顯加快，從而既節(jié)約了時間，又提高了預(yù)測結(jié)果的準(zhǔn)確性。

1.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則采用最速下降法，利用遺傳算法根據(jù)訓(xùn)練目標(biāo)函數(shù)對網(wǎng)絡(luò)權(quán)值進行迭代，找到最佳初始網(wǎng)絡(luò)權(quán)值。通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)誤差平方和最小，該系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。先對大學(xué)生身體素質(zhì)的評估指標(biāo)進行分類，抽取大學(xué)生身體素質(zhì)的特征指標(biāo)，并作為輸入信息送入由輸入層、中間層和輸出層組成的三層網(wǎng)絡(luò)模型進行評估。經(jīng)過測試的網(wǎng)絡(luò)，成為穩(wěn)定的模式評估器，即可輸出評估結(jié)果[3，4]。

該模型的輸入層節(jié)點數(shù)為n，即大學(xué)生身體素質(zhì)評價指標(biāo)數(shù)，中間層節(jié)點數(shù)為 ，輸出層節(jié)點數(shù)為1，即身體素質(zhì)評估結(jié)果值，ωij和ωj為BP神經(jīng)網(wǎng)絡(luò)權(quán)值，初始化隱含層閾值為ɑ，輸出層閾值為b，由此可給定學(xué)習(xí)速率和神經(jīng)元激勵函數(shù)。從圖1可發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)可以看成一個非線性函數(shù)，網(wǎng)絡(luò)輸入值和輸出值分別為該函數(shù)的自變量和因變量。當(dāng)輸入層節(jié)點數(shù)為n，輸出層節(jié)點數(shù)為1時，BP神經(jīng)網(wǎng)絡(luò)就表達了從n個自變量到1個因變量的函數(shù)映射關(guān)系。

2.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的核心是用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出，計算流程如圖2所示。

1.背景資料

根據(jù)本校某班2011年大學(xué)生身體素質(zhì)測評成績，從中選取30名學(xué)生的測試結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和校驗樣本。結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法，在大型數(shù)學(xué)計算軟件MATLAB中編程實現(xiàn)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)大學(xué)生身體素質(zhì)評估[4]。

2.計算結(jié)果與分析

遺傳算法優(yōu)化過程中最優(yōu)個體的適應(yīng)度變化（如圖3）。把最優(yōu)初始權(quán)值、閾值賦給神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練數(shù)據(jù)訓(xùn)練100次后，得到基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測值。為了對比分析，也進行了BP神經(jīng)網(wǎng)絡(luò)預(yù)測分析（如圖4）。

從圖4可看出，采用BP神經(jīng)網(wǎng)絡(luò)及遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)兩種算法得到的預(yù)測結(jié)果，與專家判斷（實際值）基本一致。但基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度高。特別在輸入節(jié)點，即評價大學(xué)生身體素質(zhì)的指標(biāo)較多時，基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果要好一些。

結(jié) 論

1.本文提出了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)大學(xué)生身體素質(zhì)評價算法，并建立了相應(yīng)的網(wǎng)絡(luò)模型。

2.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法不但具有神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力，而且應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，可使優(yōu)化后的神經(jīng)網(wǎng)絡(luò)避免訓(xùn)練時間長、易陷入局部極值的缺點。

3.結(jié)合實例，將基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)大學(xué)生身體素質(zhì)評價算法，應(yīng)用于本校學(xué)生身體素質(zhì)評估。結(jié)果表明，該算法較BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度及效率高，可作為今后大學(xué)生身體素質(zhì)評價的一種新方法。

參考文獻：

[1]范正森，張明如，周瑞琪.大學(xué)生身體素質(zhì)綜合評價數(shù)學(xué)模型[J].武漢工業(yè)大學(xué)學(xué)報，2001，4：92-94.

[2]陳海英，郭巧.短跑運動能力的神經(jīng)網(wǎng)絡(luò)評價方法[J].北京理工大學(xué)學(xué)報，2003，1：54-57.

[3]陳剛，何政偉，楊斌，楊洋.遺傳BP神經(jīng)網(wǎng)絡(luò)在泥石流危險性評價中的應(yīng)用[J].計算機工程與應(yīng)用，2010，46（3）.

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法范文第5篇

關(guān)鍵詞：風(fēng)電機組；matlab；人工神經(jīng)網(wǎng)絡(luò)；風(fēng)功率預(yù)測

1 風(fēng)電功率預(yù)測模型

1.1 徑向基神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法是近年來發(fā)展起來的一種新型人工智能算法。不同于以往的數(shù)學(xué)算法，它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型，具有自學(xué)習(xí)、自適應(yīng)和自組織能力的特點。

徑向基神經(jīng)網(wǎng)絡(luò)（即RBF神經(jīng)網(wǎng)絡(luò)）是一種三層前向網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。由輸入到輸出的映射是非線性的，而隱含層到輸出層是線性的，從而大大加快了學(xué)習(xí)速度并避免局部極小問題。

根據(jù)徑向基函數(shù)中心選取方法的不同，RBF神經(jīng)網(wǎng)絡(luò)有很多學(xué)習(xí)方法，如隨機選取中心法、梯度訓(xùn)練法、有監(jiān)督選取中心法和正交最小二乘法等。這里，選用梯度訓(xùn)練法作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。

1.2 梯度訓(xùn)練方法

RBF網(wǎng)的梯度訓(xùn)練方法是通過最小化目標(biāo)函數(shù)實現(xiàn)對各隱節(jié)點數(shù)據(jù)中心、擴展常數(shù)和輸出權(quán)值的調(diào)節(jié)。使用一種帶遺忘因子的單輸出RBF網(wǎng)學(xué)習(xí)方法，此時神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)為：

（1）

其中，？茁j為遺忘因子，誤差信號ej的定義為：

（2）

由于神經(jīng)網(wǎng)絡(luò)函數(shù)F（X）對數(shù)據(jù)中心ci、擴展常數(shù)ri和輸出權(quán)值wi的梯度分別為：

（3）

（4）

（5）

考慮所有訓(xùn)練樣本和遺忘因子的影響，ci、ri和wi的調(diào)節(jié)量為

（6）

（7）

（8）

其中，？椎i（Xj）為第i個隱節(jié)點對Xj的輸出，？濁為學(xué)習(xí)速率。

1.3 數(shù)據(jù)歸一化

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常用的一種處理方法。數(shù)據(jù)歸一化處理將所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級別差，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大。

風(fēng)速歸一化：應(yīng)用多年統(tǒng)計的極限風(fēng)速對風(fēng)速數(shù)據(jù)進行歸一化處理

（9）

其中，Vg為歸一化處理后的風(fēng)速標(biāo)量值；vt為應(yīng)用于預(yù)測的歷史風(fēng)速值；vmax為風(fēng)場氣象觀測到的歷史最大風(fēng)速，如不超過風(fēng)場風(fēng)機最大切除風(fēng)速，則取為風(fēng)機的切除風(fēng)度。

風(fēng)功率歸一化：根據(jù)風(fēng)電機組額定功率，采用與風(fēng)速歸一化相同的方式，對風(fēng)電機組歷史出力情況進行歸一化，并對網(wǎng)絡(luò)預(yù)測的輸出功率進行反歸一化，得到預(yù)測結(jié)果。

1.4 神經(jīng)網(wǎng)絡(luò)的構(gòu)建

首先挑選幾組數(shù)據(jù)風(fēng)功率作為樣本，將每個樣本的前n個風(fēng)速和風(fēng)功率值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的輸入；可將每個樣本的后n個風(fēng)速和風(fēng)功率值進行歸一化處理，將處理后的數(shù)值作為RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出，通過對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，實現(xiàn)從輸入空間到輸出空間的映射。

2 短期風(fēng)功率預(yù)測結(jié)果

將前10天的風(fēng)功率數(shù)據(jù)作為訓(xùn)練樣本，對風(fēng)機功率提前1小時進行預(yù)測。圖2預(yù)測風(fēng)功率與實測風(fēng)功率比較可知，可以看到神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)功率變化趨勢與實際風(fēng)功率變化基本趨勢一致，并且預(yù)測功率比實際功率變化平緩。

神經(jīng)網(wǎng)絡(luò)在風(fēng)功率預(yù)測時，每點的預(yù)報誤差不盡相同，這主要與早晚溫差造成的風(fēng)速突然變化以及當(dāng)天天氣變化情況等有關(guān)，從預(yù)測曲線的總體趨勢以及與實際曲線誤差值大小來看，該神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果基本令人滿意。

3 結(jié)束語

采用人工神經(jīng)網(wǎng)絡(luò)進行預(yù)測精度較高、訓(xùn)練速度快，適用于在線預(yù)測的場合。但是由于所用訓(xùn)練數(shù)據(jù)為風(fēng)速相對平穩(wěn)時期的數(shù)據(jù)，所以該模型對于突變風(fēng)速的處理能力仍然有限，為提高預(yù)測結(jié)果的精度，還需對模型進行進一步改進?？傮w而言，通過建立神經(jīng)網(wǎng)絡(luò)模型，對短期風(fēng)功率進行預(yù)測，雖有一定局限性，但其預(yù)測精度滿足工程要求。

參考文獻

[1]Tony Burton，等.風(fēng)能技術(shù)[M].北京：科學(xué)出版社，2007.