基于自適應(yīng)學(xué)習(xí)速率的改進型BP算法研究.pdf

1、人工神經(jīng)網(wǎng)絡(luò)是智能計算發(fā)展的一個主流方向，目前已經(jīng)廣泛應(yīng)用于模式識別、信號處理、知識工程、專家系統(tǒng)、機器控制等許多領(lǐng)域。BP網(wǎng)絡(luò)由于結(jié)構(gòu)簡單、精度較高、易于編程、可操作性強、非線性映射能力強等優(yōu)點而成為目前神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的一種。 由于標準BP算法基于最速梯度下降法，導(dǎo)致標準BP算法存在收斂速度緩慢，容易陷入局部極小，隱含層的層數(shù)及其節(jié)點的數(shù)量難以確定，每種輸入模式的期望輸出必須已知等缺點。為此，許多學(xué)者進行研究，并且提出了

2、一些改進型BP算法，包括：附加動量法、自適應(yīng)學(xué)習(xí)速率法、彈性BP算法、Levenberg-Marquardt法、高斯-牛頓法、共軛梯度法、BP-GA算法和模擬退火算法等。 本文結(jié)合標準BP算法的原理，針對其存在的上述缺陷，提出了一種在附加動量法中添加學(xué)習(xí)速率自適應(yīng)因子的新算法，并給出了新算法的數(shù)學(xué)公式。新算法基于附加動量法，因而可以避免陷入局部極?。患尤肓藢W(xué)習(xí)速率自適應(yīng)因子，因而收斂效果好。 為了驗證新算法的改進效果，我