神经网络模式识别的改进及应用
来源:用户上传
作者:
摘 要：传统的BP神经网络在模式识别中存在识别速度慢和识别准确率低等若干不足，针对这些问题对BP神经网络改进。通过将改进的BP算法与传统的BP算法比较，发现改进后的BP算法在收敛速率和局部极值点上有了较大的改善且提高了准确率。将改良后的BP算法应用于对无线信道的分类识别中，输出结果表明，优化后的BP算法是一种速度快误差小的神经网络分类算法。
关键词：神经网络 BP算法 模式识别
中图分类号：TP183 文献标识码：A 文章编号：1674-098X（2019）11（c）-0131-02
神经网络参照动物神经网络行为，凭借其内部节点的密切联系，采用分布式方法达到处理信息的目的。近年来被广泛使用的是BP算法，即一种按误差逆传播算法训练的多层前馈网络。BP算法可以在没有描述映射关系的数学方程的前提下学习并储存大量映射关系，并通过最速下降法，借助向传播反复修改网络权值和阈值，因此使得误差最小。但是实际应用中，BP算法对新鲜样本的适应能力低，非常容易陷入局部极值点并且在权值初始化的有很大的盲目性，种种弱点导致了BP算法准确率低等问题，本文设计了一个新的高斯误差函数，降低算法陷入极值点的可能，进一步缩小了误差提高了准确率。
1 误差函数及BP结构
设输入输出节点数分别为m、n，则神经网络是n维欧几里得空间到维欧几里得空间的非线性算子。随着算法的深入，神经网络的缺点也暴露出来：（1）由于算法是最速下降法，而目标函数极其复杂，所以会产生锯齿屈服的情况，导致算法低效。（2）算法非常容易陷入极值点故收敛序列向其极限逼近的速度变慢。（3）神经元输出接近0或1，出现平坦区，权值误差浮动小造成麻痹现象。针对BP算法的缺点，并根据样本的实际情况，实时地调整参数，通过神经网络的输出与期望的输出比较，参照差值及时修改算法权重，迫使误差最小，并提高算法的泛化能力。假设神经网络有个m1输入层m2个输出层m3个隐含层，结构如图1所示。
那么该神经元网络的隐含神经元输出为
输出层神经元输出为
式中，wij表示输入层第i个神经元与隐层第j个神经元的;连接权，vjt表示隐含层第j个神经元与输出层第t个神经元的连接权，θj、rt为神经元阈值;f（x）为激励函数
训练总数设为K，全局输出误差引入新误差函数，定义为，则N个样本误差是
这个新的误差函数的好处是出现异常点时及时调整误差权重，使权重变小，这样就降低了异常值对输出带来的影响。
2 优化的BP算法实际应用
BP神经元网络算法对无线信道进行模式识别。
第一步根据无线信道参数提取算法的指纹模型和评价指标给出信道特征参数向量，即输入模式，X1=[特征参数1，特征参数2，特征参数3，...]此中l表示第l个场景，设总共有有N个场景，则l=1，2，...N。实际上提取的特征参数是有限的，为了充分利用神经网络，Xi可以用常数补齐，考虑特张参数的量级可能相差较大，会给模式识别带来不必要的误差，我们对其进行同量化处理，形式如下。
X1=[特征参数1/a，特征参数2/b，特征参数3/c， ... ，c]
X2=[特征参数1/a，特征参数2/b，特征参数3/c， ... ，c]
X3=[特征参数1/a，特征参数2/b，特征参数3/c， ... ，c]
第二步确定输出模式的个数，若识别的个数增加时，我们只需要增加矩阵元素个数即可表示更多的模式。
第三步，确定BP神经网络的结构参数，例如，我们可以用输入模式和输出模式确定神经网络中的输入层、隐含层、输出层的神经元的个数。若输入参数为16，则输入神经元个数为n=16，输出层神经元个数q=3，中间层神经元个数取n，p中间的数即可，令p=8。一般情况下网络最大容许误差为0.01，动量因子α控制不在局部极值点抖动取0.5～1.0和η控制收敛速度取0.5～2.0，λ取小量，让区间饱和度变小，利于网络的收敛。网络最大学习次数为100，该神经网络即可很好的识别不同的模式。最后一步就是建立量高的神经网络进行模式识别，整个模式识别的误差变化如图2所示。
3 结语
本文針对传统BP算法的弊端改进了BP算法，提高了神经网络的准确率，减小了异常值权重从而降低了陷入局部权值的可能性，在无线信道模式识别的应用中，取得了较好的结果。与传统BP算法相比改进后的算法还是无法完全避免陷入局部权值的可能性，所以仍然有待于优化。
参考文献
[1] 姚文俊.基于遗传算法的故障诊断的研究[J].现代电子技术，2003（23）：85-86.
[2] 曾凡智，李凤保.基于神经网络的设备故障诊断[J].计算机应用，2004（2）：24-26.
[3] 胡师彦.混合遗传BP算法在图像识别中的应用[J].石家庄铁道学院学报，2002，15（3）：5-8.
[4] VittorioManiezzo.GeneticEvolutionoftheNeuralNetworks[J].Trans.onNeura lNetworks，1994，5（1）：39-53.
转载注明来源:https://www.xzbu.com/1/view-15148327.htm
