无忧论文网
当前位置: 无忧论文网 > 自然科学论文 > 医学论文论文 > 神经学论文 > BP神经元激活研究
点击提交论文指导需求
高薪诚聘老师
BP神经元激活研究
时间:2011-01-23 浏览次数:1072次 无忧论文网
点击这里在线咨询我
    摘  要:误差反向传播学习网络是目前运用最广、实现途径最直观的一种神经网络,而且是已知的非线性映射能力最强的一种神经网络模型之一。它在模式识别、知识发现、模式分类等方面具有很强的功能。在地学研究中,误差反向传播学习网络模型可以很好地模拟致矿地质因素与成矿的复杂非线形映射关系。

    前言1974 年,PaulWerbos 在他的博士论文中第一次描述了反向传播(BackpropagationAlgorithm, 简称BP 算法)的学习算法。
1986年,Rumelhart 和McCelland 领导的科学家小组在《Parallel distributed processing》一书中,对具有非线性连续转移函数的多层前馈网络的误差反向传播算法进行了详尽的描述。当前,BP 神经网络作为最广泛应用的一种人工神经网络,其最大特点是仅仅借助样本数据,无需建立系统的数据模型,就可以对关系模糊的数据进行非线性映射。随着神经网络引入地学数据的自动识别分类,并取得一定效果,初步显示了这种方法的优越性,但仍有不少问题需要进一步研究和完善。

    1 BP 网络研究

    1.1 BP 网络基本原理BP 网络由输入层、隐含层和输出层构成。隐含层可以是多层,一般情况下仅采用一个隐含层。
    输入输出层的接点仅由输入输出参数的数目来决定,隐含层的接点数根据问题的复杂程度凭经验而定,其结构模型如附图所示。第1 层为输入层s,最后一层为输出层k,中间为隐含层。
    BP 网络的神经元激活函数可以是双曲正切S 型函数、对数S 型函数、线性函数、阶梯函数和斜坡函数。一般地,隐含层可以是双曲正切S 型函数或对数S 型函数等,输出层可以是线性函数、对数S型函数等。BP 网络的权值和偏差的初始值最好取(-1,1)内的随机数。1.2 BP 网络的学习过程利用典型训练区的样本数据对初步确定BP神经网络进行训练、学习,其学习过程是:
    (1)对参数赋初值。
    (2)将样点中的自变量赋予输入层相应的接点,依权值和激励函数的作用在输出节点算得网络输出值。
    (3)计算网络输出与样点真实输出之间的均方差。
    (4)如果均方差大于给定误差,按梯度法修正权值,学习系数,惯量系数等,然后转入(2)。如果均方差小于给定误差,BP 网络学习完毕。
    1.3 BP 网络的缺陷
    (1)学习收敛速度太慢。
    (2)不是所有的情况都能保证收敛到所指定的全局最小点。
    (3)网络隐含层的层数及隐含层的单元数的选取尚无理论依据,通常根据经验和实验确定。
    (4)网络的学习、记忆具有不稳定性。2 应用本文以小秦岭西南部金矿普查获得的部分数据为例,包括金矿(化)点31 个。对它们的8 个变量进行了观测,各变量说明如下:x1 为金矿化强度综合指标,定义为x1=矿脉平均品位厚度;x2=含金石英脉厚度/脉两侧黄铁绢英岩化围岩总厚度;x3=矿脉总体倾角;    x4,x5,x6,x7,x8 分别为矿石中Cu, Pb, Zn, Ag, Sb 的平均含量,单位都是ppm。这些变量之间可能有某些相关性,可能为各矿(化)点远景评价提供有用信息。根据小秦岭西南部地区已查金矿床数据为模型单元,运用BP神经网络,对该地区金矿矿化程度进行分类预测。
    预测结果可对小秦岭西南部地区金矿开发起到一定的指导作用,可为小秦岭地区地质矿产工作提供一定理论支持。根据小秦岭西南部金矿综合信息,选取金控矿变量:矿脉平均品位、厚度、含金石英脉厚度/脉两侧黄铁绢英岩化围岩总厚度、矿脉总体倾角、Cu、Pb、Zn、Ag、Sb,共计8 个。为了训练BP 网络,选取矿化工作程度较强的10 组数据作为BP网络的训练输入模式,每个金控矿变量对找矿有利度作为训练的目标输出模式,找矿有利度可分为高有利度,中有利度和弱有利度,见表1。
    为10 个;隐含神经元数为10 个,神经元激活函数全部采用双曲正切S 型函数;输出神经元数为3 个,神经元激活函数全部取对数S 型函数。BP 网络训练参数设置:网络训练目标误差= 10E-7;最大循环次数为1000;初始权值为0.1;最大权更新值为50;学习率为0.9;学习步长为0.7。用训练模式样本训练BP 神经网络,确定网络的权值和偏差。训练成功后,把预测样本数据输入网络输入层,网络输入

    数据经隐含层到达输出层,其过程不断反馈变化直到收敛,计算出BP 网络的预测值输出。将所测8 个变量31 组样本数据作为BP 网络输入样本,输入到已经训练好的BP 网络,得到预测BP 网络的预测结果如表2 所示。从这次金矿点矿化预测结果可以看出:1 号、2 号、5 号、16 号、22 号、28 号、29号、31 号等矿点矿化程度最高,其中在工作程度较大的1 号、2 号、5 号矿点发现金矿点,而16 号、22 号、28 号、29 号、31 号采样点分布在1 号、2 号、5 号东南向异常带内,可以作为后期验证点。4 结束语BP 神经网络在矿产分类预测中应用广泛,还可以同其它方法结合使用。影响BP 神经网络训练效果的主要因素是输入的训练样本,只要有足够的能够反映模式结构的特征训练样本,那么预测结果就能更准确的反映实际情况。

    参考文献:

    [1]陈守余,周春梅.人工神经网络模拟现实与应用[M].湖北:中国地质大学出版社,2000.
    [2]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.
    [3]张代远.神经网络新理论与方法[M].北京:清华大学出版社,2006.[4] 胡伍生, 神经网络理论及其工程应用[M],北京:测绘出版社,2006.
关于我们 | 老师招聘 | 版权声明 | 联系我们 | 付款方式 | 返回顶部 | 

COPYRIGHT ©2001 - 2013 51LUNWEN.NET. ALL RIGHTS RESERVED.
【免责声明】:本网站所提供的信息资源如有侵权、违规,请及时告知
无忧论文网提供毕业论文指导 硕士论文指导服务