论文摘要
BP(Back-Propagation)算法是现在用得最多的一种神经网络学习算法,由于它是基于最速下降方法,它有收敛速度慢、容易陷入局部极小点等缺点,这限制了它的应用范围。本文从标准BP算法容易陷入局部极小点这个问题着手,分析其容易陷入局部极小点的原因,即网络神经元的转换函数Sigmoid函数存在一个饱和区域,在此区域中网络节点的输入变化大但是其输出变化极小,甚至变化可以忽略不计,由此产生了网络的输出对输入的敏感性极小,网络的输出和输入不协调,网络陷入局部极小点。所以本文提出了一种改进价值函数,使价值函数不仅与输出层的输出有关还与隐藏层的输出有关,从而加大网络对输入的敏感性,使网络的输出和输入之间尽可能协调,使其能快速逃离局部极小点,收敛到全局最小点。然后根掘价值函数的性能曲面,对改进的BP算法的各参数(因子)在几种特殊情况下进行了讨论,并给出了迭代过程中最优参数的计算方法。在文章的最后对扩展的异或问题进行了仿真实验,用改进BP算法和标准带动量因子的BP算法与模拟退火算法进行了对比,对比结果表明:标准的BP算法只能确保收敛到极小点,但不能确定是局部极小点还是全局极小点,改进的BP算法能确保收敛到全局极小点;改进的BP算法比模拟退火算法的收敛速度快很多。因此,这种改进的方法能加快收敛速度并收敛到全局极小点,达到了期望的效果。
论文目录
摘要Abstract第1章 绪言1.1 人工神经网络的历史、特点及现状1.1.1 人工神经网络的历史1.1.2 人工神经网络的特点1.1.3 人工神经网络研究的现状1.2 BP神经网络研究的内容及其应用1.3 BP神经网络在国内外研究现状及本文的研究内容第2章 人工神经网络模型介绍2.1 生物神经元模型2.2 人工神经元模型2.3 几种典型的神经网络结构2.3.1 感知器模型2.3.2 BP神经网络2.3.3 径向基函数网络2.3.4 自组织人工神经网络2.3.5 反馈神经网络2.3.6 模糊神经网络第3章 BP神经网络原理3.1 BP神经网络的拓扑结构3.2 BP算法的基本原理3.2.1 神经网络的基本组成单元3.2.2 神经网络的学习规则3.2.3 BP神经网络的基本原理3.3 BP神经网络的性能曲面和最优点3.3.1 BP神经网络的性能曲面3.3.2 BP神经网络的最优解3.4 BP神经网络的结构的选择3.4.1 隐藏层数的选择3.4.2 隐藏层节点数的选择3.5BP 神经网络样本数据的预处理3.5.1 样本集的选取3.5.2 样本数据的归一化3.6 BP神经网络的训练3.7 BP神经网络的优缺点第4章 改进BP神经网络4.1 饱和现象4.2 价值函数的改进4.3 改进的BP算法4.3.1 改进BP算法的学习法则4.3.2 改进BP算法的权值凋整的求解4.3.3 迭代过程中最优参数的选择第5章 实验结果及其对比分析5.1 仿真实验5.2 实验结果对比分析5.2.1 改进BP算法和标准BP算法对比结果分析5.2.2 改进BP算法和模拟退火算法对比结果分析第6章 总结与展望6.1 总结6.2 展望致谢参考文献附录
相关论文文献
标签:算法论文; 函数论文; 价值函数论文; 饱和区域论文; 不协调论文; 逃离局部极小点论文; 全局极小点论文;