優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的可靠性預(yù)測模型

《優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的可靠性預(yù)測模型》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的可靠性預(yù)測模型第l7卷第9期2007年9月計算機(jī)技術(shù)與發(fā)展COMPUTERTECHNOlXYANDDEVELOPMENTVo1.17No.9Sep.2007優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的可靠性預(yù)測模型王蓓,劉橋(貴州大學(xué)計算機(jī)科學(xué)學(xué)院,貴州貴陽550025)摘要:為了提供一種更加準(zhǔn)確高效的算法,對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化.首先對初始權(quán)植的選取規(guī)則,傳統(tǒng)的N—w規(guī)則算法進(jìn)行改進(jìn),再對其它參數(shù)進(jìn)行優(yōu)化.在此基礎(chǔ)上,將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于系統(tǒng)可靠預(yù)測評價之中,提出了基于此理論的系統(tǒng)可靠預(yù)測評價模型,實現(xiàn)方法和優(yōu)點(diǎn);評價實例證明此方法的可行

2、性.關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)優(yōu)化;可靠預(yù)測評價中圖分類號:TP183文獻(xiàn)標(biāo)識碼:A文章編號:1673—629X(2007)09—0102—04CrediblePredictionModelBasedonBPNeuralNetworkWANGBei.LIUQiao(Collegeoflnfo.andComputerSci.,GuizhouUniv,,Guiyang550025,China)A~tmct:Theaimistoprovideakindofrulewhichismoreaccurateandmoreeffective.Thisopi

3、timizationbuildsbasedonthetraditionalbackpropagationneuralnetworkmode1.Firstly,opitimizethetraditionalN—Wruleforchoosingtherudimentarypower—number.See—ondly,optimizeotherparameters.Advancetheoptimizationtacticswithusingthisn~deltoforecastthesystem'Sdependable.Givingtheforec

4、astmodeldependonANN'BPthemy,realisemethodmadadvantage.ThiswayisfeasiblebytheappraisingexampleKeywords:backpropagationneuralnetwork;networkoptimization;crediblepredictionevaluationO引言可靠性預(yù)測是在設(shè)計階段進(jìn)行的定量估計未來產(chǎn)品可靠性的一種方法.在復(fù)雜系統(tǒng)的預(yù)測方法的研究中,現(xiàn)在研究較多的是傳統(tǒng)統(tǒng)計方法和人工神經(jīng)網(wǎng)絡(luò)方法,傳統(tǒng)的統(tǒng)計學(xué)方法存在不適合動態(tài)系統(tǒng),建模復(fù)雜

5、等局限性,相比之下,作為新生事物的人工神經(jīng)網(wǎng)絡(luò).被普遍認(rèn)為具有大規(guī)模非線性并行處理能力,依據(jù)數(shù)據(jù)自身的內(nèi)在建模,良好的適應(yīng)性與自學(xué)習(xí)能力,較強(qiáng)的抗干擾能力等優(yōu)良性能.因此.與傳統(tǒng)統(tǒng)計學(xué)方法比較,人工神經(jīng)網(wǎng)絡(luò)用于復(fù)雜系統(tǒng)的預(yù)測就似乎具有了明顯優(yōu)勢.1人工神經(jīng)網(wǎng)絡(luò)研究的主要方法人工神經(jīng)網(wǎng)絡(luò)…1受到學(xué)術(shù)界的高度重視和廣泛研究,已經(jīng)成功地應(yīng)用于眾多領(lǐng)域,如模式識別,圖像處理,語音識別,智能控制,虛擬現(xiàn)實,優(yōu)化計算,人工智能等領(lǐng)域.按照網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和運(yùn)行方式,神經(jīng)網(wǎng)絡(luò)模型分為前饋多層式網(wǎng)絡(luò)模型,反饋遞歸式網(wǎng)絡(luò)模收稿日期:2006—12一O5作者簡介:

6、王蓓(1977一),女,貴州貴陽人,碩士研究生,研究方向為電路與系統(tǒng);劉橋,博士生導(dǎo)師,研究方向為EDA.型,隨機(jī)型網(wǎng)絡(luò)模型等.目前在模式識別中應(yīng)用成熟較多的模型是前饋多層式網(wǎng)絡(luò)中的BP反向傳播模型,基于BP算法的多層前饋型網(wǎng)絡(luò)1J的結(jié)構(gòu)如圖1所示.這種網(wǎng)絡(luò)不僅有輸人層節(jié)點(diǎn),輸出層節(jié)點(diǎn),而且有一?層或多層隱含節(jié)點(diǎn).對于輸人信息,要向前傳播到隱含層的節(jié)點(diǎn)上,經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)運(yùn)算后,把隱含節(jié)點(diǎn)的輸出信息出駁到輸出節(jié)點(diǎn).最后輸出結(jié)果.誤差反傳隱含層圖1基于BP算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具體的BP網(wǎng)絡(luò)的算法描述如下【.】:1)權(quán)值

7、和閾值初始化;2)給定輸人X和目標(biāo)輸出y;3)計算實際輸出Y,=-/,(.∑叫),=1,2,…,";4)修正權(quán)值:從輸出層開始,將誤差信號沿連接通路返回傳輸方向傳播,通過修正各權(quán)值使誤差向減第9期王蓓等:優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的可靠性預(yù)測模型?103?小的方向變化;5)達(dá)到精度要求或循環(huán)次數(shù)要求,則輸出結(jié)果,否則返回2).BP算法是一種梯度反向傳播算法w(1+)=()+7(一)1w:△Ⅵ(+1)=7×中×()J+a×△Ⅵ()(1)其中,叩為學(xué)習(xí)因子;為輸出節(jié)點(diǎn)i的計算誤差;0為輸出節(jié)點(diǎn)的計算輸出;a為動量因子.2BP網(wǎng)絡(luò)模型的缺陷分析及優(yōu)化策略1)

8、最主要的優(yōu)點(diǎn)有l(wèi)3]:(1)BP網(wǎng)絡(luò)采用的傳遞函數(shù)通常是Sigmoid型可微函數(shù),所以可以實現(xiàn)輸入和輸出間的任意非線性映射.(2)BP網(wǎng)絡(luò)的隱層節(jié)點(diǎn)足夠多時,可以任