| 【中文题名】 | 参数自调节的BP—神经网络研究 |
| 【英文题名】 | Research on the BP-Neural Network Based on Parameter-adjusted Automatically |
| 【学科专业】 | 农业机械化工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-9-1 |
| 【中关键词】 | 参数自调节,人工神经网络,BP算法,收敛,动量项, |
| 【英关键词】 | Parameter-adjusted automatically,Artificial neural network,BP algorithm,convergence,momentum item, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
BP(Back Propagation)算法是训练多层前向神经网络的算法中最常用、在实际应用中效果最好的一种。标准BP算法应用甚广，解决了许多的实际问题，但同时它也存在着诸如在收敛过程中容易陷入局部最小点、收敛速度很慢以及网络的结构参数(隐层数、隐层单元)和运算参数(步长、非线性函数的选择)等都尚无公认的理论指导等问题。虽然已经提出了许多对标准BP算法的改进方法，但目前还没有一种改进方法能够得到研究者们的公认，因此对标准BP算法的改进仍然需要大量而细致的研究工作。
本文提出一种对标准BP算法进行改进的方法，与大多数改进算法不同，本文提出的改进算法一方面修改网络节点作用函数，通过动态调整节点作用函数的陡峭度来加快网络的收敛；另一方面，在BP算法中增加动量项。在训练过程中，动态调整节点作用函数的调节因子，使学习率和动量项的惯性因子等参数成为误差E的函数，根据误差的变化动态的做出参数自调节，既加快了网络的学习速度，又避免了陷入局部最小点，而最终达到全局收敛。通过对改进的BP算法进行的MATLAB仿真结果表明，改进的算法达到了预期的目的。
农业是一个复杂的大系统，农作物的生长受多种... |
| 【论文题纲】 |
|
引言 |
7-8 |
|
1 人工神经网络的基本知识 |
8-14 |
|
1.1 神经网络简介 |
8-13 |
|
1.2 神经网络的确定 |
13-14 |
|
2 前向型神经网络 |
14-17 |
|
2.1 前向神经网络的概念 |
14 |
|
2.2 前向神经网络结构的分类 |
14-15 |
|
2.3 前向神经网络的训练 |
15-17 |
|
2.3.1 产生数据样本集 |
15-16 |
|
2.3.2 确定网络的类型和结构 |
16 |
|
2.3.3 网络的训练和测试 |
16-17 |
|
3 改进的BP算法 |
17-30 |
|
3.1 神经网络的学习规则 |
17-18 |
|
3.2 标准BP算法及其学习规则 |
18-23 |
|
3.2.1 误差逆传播校正方法 |
18-20 |
|
3.2.2 BP网络的学习规则与计算方法 |
20-23 |
|
3.3 标准BP算法存在的问题 |
23-24 |
|
3.4 改进的BP算法 |
24-30 |
|
3.4.1 更改网络节点作用函数 |
24-27 |
|
3.4.2 随误差的变化动态更改参数 |
27-28 |
|
3.4.3 改进的BP算法的分析和讨论 |
28-30 |
|
4 神经网络模型的设计与仿真 |
30-41 |
|
4.1 前向神经网络系统的结构设计 |
30-31 |
|
4.1.1 神经网络的设计要求 |
30-31 |
|
4.2 多层前向神经网络的设计 |
31 |
|
4.3 多层前向神经网络的设计方法 |
31-35 |
|
4.3.1 神经网络的评价、确定问题 |
32-33 |
|
4.3.2 问题具体化 |
33-34 |
|
4.3.3 神经网络的设计 |
34 |
|
4.3.4 实现、构造该系统 |
34 |
|
4.3.5 系统的评价与调试 |
34-35 |
|
4.3.6 投入目标环境 |
35 |
|
4.4 网络的构建与仿真 |
35-41 |
|
4.4.1 网络结构参数的确定 |
35-36 |
|
4.4.2 数据预处理 |
36 |
|
4.4.3 仿真工具简介 |
36-38 |
|
4.4.4 网络仿真结果 |
38-41 |
|
结论 |
41-42 |
|
参考文献 |
42-48 |
|
ABSTRCT |
48-50 |
|
致谢 |
50-51 |
|
附录A |
51-54 |
|
附录B |
54-63 |
|
| 【DOI】 | LunWen.ID:2.2008.386805 |
