导 师: 肖人岳
学科专业: G0102
授予学位: 硕士
作 者: ;
机构地区: 华南理工大学
摘 要: 人工神经网络(Artificial Neural Network,ANN)是模拟生物神经系统的非线性系统,具有强大的并行处理、分布式存储、自适应学习、高度容错的能力。几十年来,人们提出了数十种神经网络模型,并且在众多领域中得到了非常广泛的应用。BP网络作为应用最广泛的网络,具有结构简单,技术成熟的优点。然而由于BP算法采用的是误差函数的梯度下降法,因而存在易陷入局部最优、对初值敏感以及收敛速度慢等问题。本文对神经网络的结构、分类以及学习算法作了较为系统的综述,探讨了BP神经网络的结构模型、学习方法,并且介绍了国内外对BP算法改进的研究现状。在BP算法中,学习因子起着重要作用。本文对学习因子进行了深入研究,并在可变速率BP算法(Variable learning rate backpropagation,VLBP)的基础上提出了一种改进的VLBP算法。该算法将学习因子与误差比值相关联,通过引入以相邻两次误差比值为自变量的学习因子调整函数动态的调整学习因子变化率,从而达到提高算法收敛性能的目的。通过XOR问题、非线性函数逼近问题、乳腺癌数据库模式分类问题以及带噪声函数逼近问题的仿真实验验证了本文提出的改进的VLBP算法能有效提高BP算法的收敛精度和收敛速度。最后,本文将该算法应用于实际问题。本文将该算法应用于手机的实际销售量数据库并进行了实例预测研究,同时,将该算法与常用的预测方法进行了对比研究。我们建立了一个神经网络预测模型,分别用VLBP算法和本文提出的改进的VLBP算法,训练网络模型。预测数据表明与标准的VLBP算法相比较,改进的算法提高了算法的收敛速度和收敛精度。
分 类 号: [F274;TP183]