作　　者： ; ; ;

机构地区： 北京科技大学计算机与通信工程学院

出　　处： 《计算机仿真》 2008年第6期161-163,172,共4页

摘　　要： 在分析普通BP算法的基础上提出了一种改进的BP算法(MBP),用以克服普通BP算法收敛速度慢、易陷入局部最小点的缺点。算法的核心是改变Sigmoid函数的微分表达式,加入幂因子S和R,用以提高网络输出误差项在整个目标函数中的相对影响。收敛性分析表明,MBP算法保持了普通BP算法的梯度下降特性,但具有更快收敛速度和更好的收敛精度,并且可跳出局部最小点。通过对一个非线性系统的模型辨识仿真实验,直观上证明了该算法的有效性和可行性。 A Magnified BP algorithm （MBP） was proposed on the basis of analyzing the original back - propagation neural network algorithm, which has lower convergence speed and is hard to escape from local minima. The chief idea of the new algorithm was to modify the Sigmoid function by adding two power factors S and R so that the relative effect of network＇s output error on the objective function would be enhanced. It can be seen from the convergence analysis that the new algorithm retains the gradient descent property of normal back - propagation but gives faster convergence and can escape from local minima. The simulation result illustrates the validity and feasibility of the new algorithm by identifying a non - linear system.

关 键 词： 神经网络 均方误差 梯度下降 快速收敛

领　　域： [自动化与计算机技术] [自动化与计算机技术]