关于bp神经元激活研究

关于bp神经元激活研究

ID:9691780

大小:50.50 KB

页数:3页

时间:2018-05-05

关于bp神经元激活研究_第1页
关于bp神经元激活研究_第2页
关于bp神经元激活研究_第3页
资源描述:

《关于bp神经元激活研究》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、关于BP神经元激活研究在模式识别、知识发现、模式分类等方面具有很强的功能。在地学研究中,BP神经元激活研究具有重要的作用。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,PaulcCelland领导的科学家小组在《Paralleldistributedprocessing》一书中,对具

2、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。1BP网络研究1.1BP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

3、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。1.2BP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

4、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。1.3BP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

5、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

6、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。随着认知神经科学的发展,人们对神经科学认知研究似乎也越来越深入。科学地研究意识成为当前意识研究中的一个重要口号。特别是随着认知神经科学的发展,人们对意识的研究似乎也越来越深入。塞

7、尔把针对意识的认知神经科学研究区分成如下两条进路:建构块进路和统一场进路。这一区分目前得到学界的普遍认可。本文打算分别考察这两条进路的研究状况,比较各自的研究优势与不足,具体展示其在探索意识的神经相关方面所起的积极作用,并结本论文由无忧.51lunRI)来进一步研究在双目竞争和完形转换实验中受试大脑皮层的变化。上述就是关于神经科学认知研究的相关内容。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=1

8、0E-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B

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。