资源描述：
《BP神经网络的发展与应用【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、毕业论文文献综述电气工程及自动化BP神经网络的发展与应用摘要：介绍了人工神经网络领域中BP神经网络的特点以及在实际中的应用。目前人工神经网络的实际应用中，绝大部分的神经网络模型采用BP网络和它的变化形式，主要包括模式识别、分类、数据压缩等方面的应用。并简单介绍BP神经网络存在的缺陷及发展前景。关键词：BP神经网络；应用什么是BP神经网络BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。[1]BP网络能学习和存贮大量的
2、输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小BP神经网络模型拓扑结构包括输入层（input）、隐层(hidelayer)和输出层(outputlayer)。[2]BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各
3、层的所有单元,从而获得各层单元的误差信号,此误差信号作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。[3]BP神经网络的局限及改进虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题：（1）收敛速度慢（2）局部极值（3）难以确定隐层和隐节点的个数在实际应用中，BP算法很难胜任，因此出现了很多改进算法。BP算法的改进主要有两种途径：一种是采用启发式学习方法，
4、另一种则是采用更有效的优化算法。[4]动量法降低了网络对误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小；自适应调整学习率有利于缩短学习时间。[5]BP神经网络的实际应用作为一种重要的神经网络模型，BP神经网络在许多领域都得到了应用。主要用于：（1）函数逼近：用于输入向量和相应的输出向量训练一个网络逼近一个函数。（2）模式识别：用一个特定的输出向量将它与输入向量联系起来。（3）分类：把输入向量以所定义的合适方式进行分类。（4）数据压缩：减少输出向量维数以便于传输或存储。[6]人脸识别将BP网络用于人脸识别,建立了人脸识别模型,通过对输入图像实行图像压缩、
5、图像抽样及输入矢量标准化等图像预处理,将标准化矢量输入BP神经网络进行训练。BP网络用于人脸识别时,网络的每一个输入节点对应样本的一个特征,而输出节点数等于类别数,一个输出节点对应一个类。在训练阶段,如果输入训练样本的类别标点是i,则训练时的期望输出假设第i个节点为1,而其余输出节点均为0。在识别阶段,当一个未知类别样本作用到输入端时,考察各输出节点对应的输出,并将这个样本类别判定为具有最大值的输出节点对应的类别。如果有最大值的输出节点与其它节点之间的距离较小(小于某个阈值),则作出拒绝判断。经过竞争选择,从而获得识别结果。[7]图像压缩BP神经网络是可以直
6、接用于图像压缩的一种网络模型。对于含有n×n个像素数据的图像，BP网络的输入层与输出层的神经元数目都应为n*n个,而隐含层的神经元数目比输入输出层含有的神经元数目少得多。通过设计隐含层的神经元的数目可以实现不同的压缩的目的。输入层到隐含层之间就相当于编码器，对信号进行线性或非线性变换；隐含层到输出层之间相当于解码器，对经过压缩后的系数进行线性或非线性反变换，从而恢复原始图像数据。压缩率=网络输入节点数/隐含层节点数。[8]车牌字符识别首先对车牌图像进行预处理,包括彩色图像转换为灰度图像、平滑去噪,然后用Gabor从训练样本集中提取所有特征,并利用PCA进行降
7、维处理,得到神经网络的输入。神经网络采用3层结构:选择提取的特征作为网络的输入,网络的输出有10个,分别对应0~9十个数字。隐层取了24个神经元。从而进行识别。[9]教学评价系统教学质量评价指标是一个由若干不同参数组合而成的指标体系,数目多,内容复杂难以精确化,带有明显的模糊性,想借助常用的评价方法来解决这一评价问题就存在许多局限性。而利用BP神经网络只须将处理过的数据输入到网络中,通过计算即可产生结果,不须人为地确定权重,确实减少评价过程中的人为因素,提高评价的可靠性,使评价结果更有效、更客观。[10]故障诊断对于故障诊断而言,其核心技术是故障模式识别。而
8、人工神经网络由于其本身信息处理特点,如并行性、自学习
