神經(jīng)網(wǎng)絡(luò)模式識別的改進及應(yīng)用

徐玉潔 蘇慧芳 邵淑娜

摘? ?要：傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在模式識別中存在識別速度慢和識別準確率低等若干不足，針對這些問題對BP神經(jīng)網(wǎng)絡(luò)改進。通過將改進的BP算法與傳統(tǒng)的BP算法比較，發(fā)現(xiàn)改進后的BP算法在收斂速率和局部極值點上有了較大的改善且提高了準確率。將改良后的BP算法應(yīng)用于對無線信道的分類識別中，輸出結(jié)果表明，優(yōu)化后的BP算法是一種速度快誤差小的神經(jīng)網(wǎng)絡(luò)分類算法。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)? BP算法? 模式識別

中圖分類號：TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）11（c）-0131-02

神經(jīng)網(wǎng)絡(luò)參照動物神經(jīng)網(wǎng)絡(luò)行為，憑借其內(nèi)部節(jié)點的密切聯(lián)系，采用分布式方法達到處理信息的目的。近年來被廣泛使用的是BP算法，即一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)。BP算法可以在沒有描述映射關(guān)系的數(shù)學方程的前提下學習并儲存大量映射關(guān)系，并通過最速下降法，借助向傳播反復修改網(wǎng)絡(luò)權(quán)值和閾值，因此使得誤差最小。但是實際應(yīng)用中，BP算法對新鮮樣本的適應(yīng)能力低，非常容易陷入局部極值點并且在權(quán)值初始化的有很大的盲目性，種種弱點導致了BP算法準確率低等問題，本文設(shè)計了一個新的高斯誤差函數(shù)，降低算法陷入極值點的可能，進一步縮小了誤差提高了準確率。

1? 誤差函數(shù)及BP結(jié)構(gòu)

設(shè)輸入輸出節(jié)點數(shù)分別為m、n，則神經(jīng)網(wǎng)絡(luò)是n維歐幾里得空間到維歐幾里得空間的非線性算子。隨著算法的深入，神經(jīng)網(wǎng)絡(luò)的缺點也暴露出來：（1）由于算法是最速下降法，而目標函數(shù)極其復雜，所以會產(chǎn)生鋸齒屈服的情況，導致算法低效。（2）算法非常容易陷入極值點故收斂序列向其極限逼近的速度變慢。（3）神經(jīng)元輸出接近0或1，出現(xiàn)平坦區(qū)，權(quán)值誤差浮動小造成麻痹現(xiàn)象。針對BP算法的缺點，并根據(jù)樣本的實際情況，實時地調(diào)整參數(shù)，通過神經(jīng)網(wǎng)絡(luò)的輸出與期望的輸出比較，參照差值及時修改算法權(quán)重，迫使誤差最小，并提高算法的泛化能力。假設(shè)神經(jīng)網(wǎng)絡(luò)有個m1輸入層m2個輸出層m3個隱含層，結(jié)構(gòu)如圖1所示。

那么該神經(jīng)元網(wǎng)絡(luò)的隱含神經(jīng)元輸出為

輸出層神經(jīng)元輸出為

式中，wij表示輸入層第i個神經(jīng)元與隱層第j個神經(jīng)元的;連接權(quán)，vjt表示隱含層第j個神經(jīng)元與輸出層第t個神經(jīng)元的連接權(quán)，θj、rt為神經(jīng)元閾值;f（x）為激勵函數(shù)

訓練總數(shù)設(shè)為K，全局輸出誤差引入新誤差函數(shù)，定義為，則N個樣本誤差是

這個新的誤差函數(shù)的好處是出現(xiàn)異常點時及時調(diào)整誤差權(quán)重，使權(quán)重變小，這樣就降低了異常值對輸出帶來的影響。

2? 優(yōu)化的BP算法實際應(yīng)用

BP神經(jīng)元網(wǎng)絡(luò)算法對無線信道進行模式識別。

第一步根據(jù)無線信道參數(shù)提取算法的指紋模型和評價指標給出信道特征參數(shù)向量，即輸入模式，X1=[特征參數(shù)1，特征參數(shù)2，特征參數(shù)3，...]此中l(wèi)表示第l個場景，設(shè)總共有有N個場景，則l=1，2，...N。實際上提取的特征參數(shù)是有限的，為了充分利用神經(jīng)網(wǎng)絡(luò)，Xi可以用常數(shù)補齊，考慮特張參數(shù)的量級可能相差較大，會給模式識別帶來不必要的誤差，我們對其進行同量化處理，形式如下。

X1=[特征參數(shù)1/a，特征參數(shù)2/b，特征參數(shù)3/c， ... ，c]

X2=[特征參數(shù)1/a，特征參數(shù)2/b，特征參數(shù)3/c， ... ，c]

X3=[特征參數(shù)1/a，特征參數(shù)2/b，特征參數(shù)3/c， ... ，c]

第二步確定輸出模式的個數(shù)，若識別的個數(shù)增加時，我們只需要增加矩陣元素個數(shù)即可表示更多的模式。

第三步，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，例如，我們可以用輸入模式和輸出模式確定神經(jīng)網(wǎng)絡(luò)中的輸入層、隱含層、輸出層的神經(jīng)元的個數(shù)。若輸入?yún)?shù)為16，則輸入神經(jīng)元個數(shù)為n=16，輸出層神經(jīng)元個數(shù)q=3，中間層神經(jīng)元個數(shù)取n，p中間的數(shù)即可，令p=8。一般情況下網(wǎng)絡(luò)最大容許誤差為0.01，動量因子α控制不在局部極值點抖動取0.5～1.0和η控制收斂速度取0.5～2.0，λ取小量，讓區(qū)間飽和度變小，利于網(wǎng)絡(luò)的收斂。網(wǎng)絡(luò)最大學習次數(shù)為100，該神經(jīng)網(wǎng)絡(luò)即可很好的識別不同的模式。最后一步就是建立量高的神經(jīng)網(wǎng)絡(luò)進行模式識別，整個模式識別的誤差變化如圖2所示。

3? 結(jié)語

本文針對傳統(tǒng)BP算法的弊端改進了BP算法，提高了神經(jīng)網(wǎng)絡(luò)的準確率，減小了異常值權(quán)重從而降低了陷入局部權(quán)值的可能性，在無線信道模式識別的應(yīng)用中，取得了較好的結(jié)果。與傳統(tǒng)BP算法相比改進后的算法還是無法完全避免陷入局部權(quán)值的可能性，所以仍然有待于優(yōu)化。

參考文獻

[1] 姚文俊.基于遺傳算法的故障診斷的研究[J].現(xiàn)代電子技術(shù)，2003（23）：85-86.

[2] 曾凡智，李鳳保.基于神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷[J].計算機應(yīng)用，2004（2）：24-26.

[3] 胡師彥.混合遺傳BP算法在圖像識別中的應(yīng)用[J].石家莊鐵道學院學報，2002，15（3）：5-8.

[4] VittorioManiezzo.GeneticEvolutionoftheNeuralNetworks[J].Trans.onNeura lNetworks，1994，5（1）：39-53.