应用BP神经网络将事物进行分类判断的理论基础,分析了BP神经网络的模型结构与原理,并利用它建立了蠓虫分类的模型,用matlab的M文件语言编写了相应的程序。(3)利用本论文建立的BP神经网络分类识别模型对蠓虫进行了分类,结果表明本论文建立的神经网络判断识别模型是成功的、有效的。本文中神经网络可以自动学习和识别蠓虫类别的内在规律,在分类效果上比传统的线性理论模型具有优越性。虽然本文所建立的模型还具有一定的缺陷,但是随着人工神经网络技术的发展,作者相信,人工神经网络技术在事物类别中的应用研究将具有非常广阔的发展前景。9 模型的评价与改进为了更有效地应用BP算法,本文做出如下一些补充说明。(1)在式(1.8)与(1.10)中,,表示为与所有样品s有关的求和计算。实际上,还可以每次仅考虑输入一个样品所造成的修正,然后,按照随机选取的顺序,将所有样品逐个输入,不断重复这一手续,直至收敛到一个满意的解为止。(2)在如上的算法中,利用实际输出与理想输出差的平方和作为度量优劣的标准,这并不是唯一的度量方式,完全可以从其它的函数形式出发,例如从相对熵出发,导出相应的算法。(3)在如上的讨论中使用的是最速下降法,显然,这也不是唯一的选择,其它的非线性优化方法,诸如共轭梯度法,拟牛顿法等,都可用于计算。为了加速算法的收敛速度,还可以考虑各种不同的修正方式。(4)BP算法的出现,虽然对人工神经网络的发展起了重大推动作用,但是这一算法仍有很多问题.对于一个大的网络系统,BP算法的工作量仍然是十分可观的,这主要在于算法的收敛速度很慢。更为严重的是,此处所讨论的是非线性函数的优化,那么它就无法逃脱该类问题的共同困难:BP算法所求得的解,只能保证是依赖于初值选取的局部极小点。为克服这一缺陷,可以考虑改进方法,例如模拟退火算法,或从多个随机选定的初值点出发,进行多次计算,但这些方法都不可避免地加大了工作量。
全文预览
