BP人工神經(jīng)網(wǎng)絡模型的新改進及其應用_圖文

1、 4期 賀昌政等: B P 人工神經(jīng)網(wǎng)絡模型的新改進及其應用 559 溢出. 于是, 將輸入節(jié)點的數(shù)據(jù)也化為 ( - 1, 1 之間. 3 經(jīng)過該算法的學習, 多次篩選, 得到最優(yōu)的 B P 神經(jīng)網(wǎng)絡結構 871 ( 即輸入層節(jié) 點為 8 個, 隱層節(jié)點為 7 個, 輸出層節(jié)點為 1 個. 同時得到模型的最優(yōu)連接權值 W , V 矩 陣 . 其預測和擬合的結果與 11 中自組織算法相比較的結果如表 412. 表 412改進的 BP 算法與自組織模型擬合、 預測的對比 類別 97. 5 97. 6 33. 18 32. 42 - 2. 09% 31. 51 - 5. 03% 97. 7 33.

2、37 32. 23 - 3. 41% 33. 21 0. 48% 97. 8 31. 88 32. 02 0. 44% 33. 81 6. 05% 98. 6 34. 2 34. 15 - 0. 15% 33. 95 - 0. 73% 98. 7 33. 87 34. 36 1. 45% 33. 10 - 2. 27% 98. 8 34. 38 34. 62 0. 70% 33. 95 - 1. 25% 數(shù)據(jù)擬合 預測 成都市消費品零售 總額 ( 億元 改進的 預測值 32. 61 32. 26 - 1. 07% 31. 47 - 3. 49% BP 算法 相對誤差 自組織 算法 預測值 相對

3、誤差 從表 412 顯然看出, 采用改進 B P 算法所得到的模型的擬合和預測精度較高, 最大相對 誤差不超過 3141% , 較自組織算法優(yōu)越! 不足之處是在計算機上運行時間比較長. 412輸入待定的 BP 網(wǎng)絡的建模方法 如§313 中 3 款所述, 為結合自組織算法來確定輸入待定的 B P 網(wǎng)絡結構, 我們選取 §411 的自組織模型 ( 411 中的 v 1 , v 2 , v 3 , v 4 , v 5 , v 6 作為網(wǎng)絡的輸入 ( 6 個 , 仍取 y 作為輸出節(jié) 點 . 其余參數(shù)不變 ( 見§411 中的 21. 經(jīng)過學習, 最后得到一個 641

4、的結構 . 如圖 411. 圖 411B P 網(wǎng)絡結構圖 模型的連接權值矩陣為: © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. 560 0. 866696 0. 564608 W = 數(shù)學的實踐與認識 32 卷 0. 409405 0. 761591 0. 157498 0. 658225 0. 225302 0. 682587 0. 996959 0. 945455 0. 682147 0. 962170 0. 545273 0. 329677 1. 1384

5、28 0. 384774 0. 283020 - 0. 022218 - 0. 354048 0. 058937 0. 808504 0. 552987 0. 823190 0. 557362 0. 938826 1. 391913 - 0. 126007 1. 059304 v = 0. 7142891. 040844- 1. 1461770. 958384- 1. 856958 其中, w j i 表示第 i 個輸入節(jié)點與第 j 個隱節(jié)點之間的連接權值; v k j 表示第 k 個輸出節(jié)點與第 . 其擬合和預測結果與自組織算法的比較見表 413. j 個隱節(jié)點之間的連接權值 由表 413

6、的結果可見, 這種建模方法使網(wǎng)絡結構更加合理, 擬合和預測精度也較自組織 算法及直接應用的 B P 算法 ( 見§411 中 21 高. 并且該算法的運行時間也較直接應用 B P 算法運行的時間短, 提高了算法的效率. 我們還注意到, 在自組織模型 ( 見§411 中, v 3 ( 人 民幣兌美元匯率 和 v 6 ( 廣義貨幣供應量 M 2 的系數(shù)為負, 即它們的值增大, 消費品零售總 額 y 反而下降, 這與一般的消費理論不相符合. 而在我們的 B P 模型中, v 3 和 v 6 對輸出的影 響都是正的 ( 即它們增大, y 也將增大. 這也正是該算法精度比較高的原因之

7、一. 表 413模型擬合、 預測的對比 類別 97. 5 97. 6 33. 18 33. 62 1. 33% 31. 51 - 5. 03% 97. 7 33. 37 32. 89 - 1. 44% 33. 21 0. 48% 97. 8 31. 88 33. 31 4. 49% 33. 81 6. 05% 98. 6 34. 2 34. 39 0. 56% 33. 95 - 0. 73% 98. 7 33. 87 33. 57 0. 89% 33. 10 - 2. 27% 98. 8 34. 38 34. 42 - 0. 12% 33. 95 - 1. 25% 數(shù)據(jù)擬合 預測 成都市消費品

8、零售 總額 ( 億元 改進的 預測值 32. 61 32. 82 0. 64% 31. 47 - 3. 49% BP 算法 相對誤差 自組織 算法 預測值 相對誤差 5結束語 本文在對傳統(tǒng) B P 算法以及近期成果的綜合改進的基礎上, 提出新的改進算法, 增強了 B P 網(wǎng)絡的適應性, 提高了學習的速率; 與自組織算法相結合來確定輸入節(jié)點, 使網(wǎng)絡結構更 加合理. 值得注意的是, 誤差函數(shù) E 只代表各學習樣本的理想輸出與實際輸出的誤差之和. . 因此, 在實際操作中, 并非 E 越小, 預測效果就一定越好 . E 較小時, 預測誤差不一定也小 這就需要根據(jù)我們的建模目標, 在學習中對誤差函數(shù)

9、 E , 隱層節(jié)點選取方面進行綜合平衡. 參考文獻: 1 L I U Guang 2zhong, L I X iao 2feng, M ü ller Johann 2 A do lf. T he I m p rovem en t of BP A lgo rithm and Self 2ad ju stm en t of A rch itectu ral Param etersM . Berich te und Info rm ationen, 2000, 1. 2 R um elhart D E, M cC lelland J L. Parallel D istribu ted P

10、rocessing M . V o l . 12 M IT P ress, Cam b ridge, 1986. 3 H ech t 2 N ielsen R. T heo ry of the back p rop agation neu ral netw o rk C . P roc, of IJCNN , 1989, 1: 593603. 4 A lexander G Parlo s. A n accelerated learn ing algo rithm fo r m u ltip layer p ercep tron netw o rk s J . IEEE T ran s on N

11、 eu ral N etw o rk s, 1994, 5 (3 : 493497. 5 H agan M T , M enhajM B. T rain ing feed fo rw ard netw o rk s w ith M arquart algo rithm J . IEEE T ran s on N eu ral N etw o rk s, 1994, 5 (6 : 989993. 6 V og l T P , M ang is J K, etc. A ccelerated the convergence of the back p rop agation m ethod J .

12、B io Cybern, 1988, © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. 4期 59 (9 : 256264. 賀昌政等: B P 人工神經(jīng)網(wǎng)絡模型的新改進及其應用 561 7 王文劍 1 一種確定網(wǎng)絡結構的自適應方法 C . 中國人工智能學會第八屆年會論文集, 19941 8 胡建軍等 1BP 網(wǎng)絡的權值誘導與層次訓練算法 J . 計算機科學, 1998, 25 (1 : 6063. 9 高大啟 1 有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡結構研究 J

13、. 計算機學報, 1998, 21 (1 : 8085. 10 H em a R ao, Ivakhnenko A lexey G. Inductive L earn ing A lg ro thm s fo r Com p lex System M odeling M . CRC P ress, Inc, 1994. 11 胡守仁, 余少波, 戴葵 1 神經(jīng)網(wǎng)絡導論 M . 北京: 國防科技大學出版社, 1993, 101 12 何耀華, 夏志忠 1BP 網(wǎng)絡的快速自適應學習算法 J . 系統(tǒng)工程理論與實踐, 2000, 11 13 王文劍 1 一種輸入驅動的 BP 網(wǎng)絡高效學習算法 J .

14、 系統(tǒng)工程理論與實踐, 2000, 11 14 劉增良 1 模糊技術與應用叢書 J . 1994, 180181. 15 李士勇 1 模糊控制、 神經(jīng)控制和智能控制論 M . 哈爾濱: 哈爾濱工業(yè)大學出版社, 9899. 16 賀昌政, 梁元第, 王纟委 1 數(shù)學建模導論 M . 成都科技大學出版社, 1997, 11 The New I m provem en t of BP Neura l Network and Its Appl ica tion H E Chang 2zheng, L I X iao 2feng, YU H a i (B u siness Schoo l, Sichua

15、n U n iversity, Chengdu 610064, Ch ina Abstract: In acco rdance w ith the sho rtcom ing tha t B P neu ra l netw o rk ex ists, there ha s m any . T h is p ap er ha s ca rried on the syn thetica l i k ind s of i m p rovem en t m ethod s m p rovem en t a t the a sp ect of a lgo rithm and the netw o rk structu re design. A pp lica tion to fo reca st of Chengdu con 2