没有合适的资源?快使用搜索试试~ 我知道了~
摘要:数据的上界和下界概念在人工智能领域中使用得非常普 遍,在粗糙集理论中尤为明显,随着粗集理论的不断发展, 上下边界的概念得到更大范围内的应用。本文将经典的神经 网络和粗集理论有机地结合,提出了一种基于粗集理论的神 经网络,并应用神经网络的粗糙模式建立预测模型。在粗糙 模式下每个神经网络的输入值不是一个单值而是一对值,即 上下边界数据,经典的神经网络在预测模型中采用的是单值 数据作为输入值,但是在一些应用中会产生问题,如医院要 对病人进行病情的跟踪观察,并希望对其未来的情况进行预 测,这时经典的神经网络就难以适用了,对于一个病人来 说,心跳次数,脉搏次数,血压值,体温等项指标在一天当 中需要进行几次测试,问题在于对于同一项指标每次测量值 也是不同的,因此得到的是一组数据而非单个数据,由于经 典的神经网络对于外界的信息的传导需要的是单值输入,究 竟应该取测量值中的哪个值作为输入就难以确定,通常的方 法是将测量数据进行数学平均,以均值作为网络的输入,但 是这可能导致具有重要性质数据的泛化,而粗糙集理论则可 以很好地解决这个问题,粗糙集数据的上下边界可以将病人 一天的各项指标测量值的上界和下界数据作为粗糙神经元的 输入。
资源推荐
资源详情
资源评论
智能中国网提供学习支持 w
ww.5iai.com
第 3 章 神经网络优化方法
3.1 BP 网络学习算法的改进
标准 BP 算法的误差
空间
是 N 维空间中一个形
状极为复杂的曲面,该曲面上的每个点的“高
度”对应于一个误差值,每个点的坐标向量对应
着 N 个权值
单权值
双权值
3.1 BP 网络学习算法的改进
BP 网络学习算法存在的问题
存在平坦区域
影响 -------- 误差下降缓慢,影响收敛速度。
原因 -------- 误差对权值的梯度变化小--接近
于零
由各节点的净输入过大而引起。
分析:激活函数为 Sigmod 函数
3.1 BP 网络学习算法的改进
存在平坦区域的原因分析
权值
权值
修正量:
修正量:
输出的导数:
输出的导数:
( ) ( )
( ) ( ( ) ( )) ( )
( ( ) ( ))(1 ( )) ( )
o
o h
ho o ho
o o o o
o o o o
yi
e e
k ho k
w yi w
k d k yo k yo k
d k yo k yo k yo k
2 2
1
( ) ( )
1
1 1
( )
(1 ) (1 )
( )(1 ( ))
o
yi
yi yi
o
yi yi
o o
yo k f yi
e
e e
yo k
e e
yo k yo k
剩余19页未读,继续阅读
资源评论
cuican90
- 粉丝: 0
- 资源: 2
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功