BP神經網絡學習效率研究

李卉 孫偉

摘要：為了對BP神經網絡學習效率進行研究，利用一個特定的半球面方程案例，對隱層單元數、傳遞函數、測試集樣本點數這三個變量對BP網絡學習效率影響程度進行分析。通過3次實驗，實驗一只改變一個變量、實驗二同時改變兩個變量，實驗三同時改變三個變量來比較實驗的運行時間，實驗誤差，記錄實驗結果，并進行了實驗分析，得出BP神經網絡學習效率最佳時的參數取值。結果表明當隱層單元數為8、傳遞函數為tansig、測試集樣本點數為16時，BP神經網絡學習效率最佳。

Abstract： In order to study the learning efficiency of BP neural network， a specific case of hemispherical equation was used to analyze the impact of three variables， ie， the number of hidden layer units， the transfer function and the number of test sample points on the learning efficiency of BP network. After three experiments， one variable was changed in experiment one， two variables were changed in experiment two and three variables were changed in experiment three at the same time to compare the running time and experimental error of the experiment. The experimental results were recorded and analyzed experimentally to get BP The parameter value of the neural network to learn the best efficiency. The results show that BP neural network has the best learning efficiency when the number of hidden layer units is 8， the transfer function is tansig， and the number of test samples is 16.

關鍵詞： BP神經網絡；球面；效率分析

Key words： BP neural network；sphere；efficiency analysis

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1006-4311（2018）12-0183-04

0 引言

人工神經網絡是一個數學模型，它通過模擬真實的人腦神經網絡來進行信息處理。人工神經網絡具有以下四個基本特征：非線性、非局限性、非常定性和非凸性[1]。相比于其他數學模型，它的優點在于：①具有自學功能。例如只需要將所有識別的對象及結果輸入進去，通過自學習功能，則會具備識別該類對象的能力。②具有聯想儲存功能。③能夠快速地尋找到最優解[2]。

BP神經網絡是人工神經網絡的一種比較典型的學習算法，是一種多層前向神經網絡，神經網絡的神經元采用的傳遞函數可以實現輸入與輸出間的任意非線性映射，在模式識別、風險評價、自適應控制等方面有著最為廣泛的應用[3]。而效率問題是BP神經網絡的一個重要的問題，基于此，本文對BP神經網絡學習效率影響因素研究具有一定的意義。……