BP
算法的缺点和改进
目前,
BP
虽然互联网得到了越来越广泛的应用
BP
算法在应用中也同时暴露了一定的缺陷
:
l () ) ) ) ) ) )。
训练次数多,学习效率低,收敛速度慢
;
2 )
容易局部变得极小
;
”
3 )3) )。
很难确定隐藏的神经元数量
;
4 )4) ) )。
训练时有学习新样本忘记旧样本的倾向。
针对这些缺陷,国内外研究者提出了许多有效的改进方法
:
l () ) ) ) ) )。
改进学习率参数的调节方法。 例如,根据误差梯度改变学习率粉的大小
;
2 )
增加隐层神经元数量等改善神经网络结构
;
3 )3) )。
改变激励函数,例如
sigmoid
将函数更改为分段函数
;
4 )4) ) )。
增加动量项等权重校正方法。
(1) BP
神经网络的构造
神经网络工具箱包含许多用于构造神经网络的专用函数。
其中函数
newff () )
来修改标记元素的显示属性
BP
神经
互联网。 此函数的调用格式如下
:
net=newff(pr
,
【2】
5152
s
上司、
{titz}
TN}
,
BTF
,
BLF
,
PF )
net=newff:
用于在对话框中创建
BP
神经网络
;
PR:R*2
维度矩阵
(
共享
r
组输入
)
、每行中各组输入的最大值和最小值的组
si:
第一
I
层神经元数
;
Ti:
第一
I
层的激发函数、
「
谭志
”是默认的时间函数
;
BTF:BP
神经网络的训练函数,
「
traiulm
”是默认的时间函数
;
BLF:BP
神经网络中的权值和灰色值算法,
「
leamgdm
“”是默认函数
;
PF:BP
神经网络的性能函数,
「
mse
”是默认函数。