207BP 神经网络综合评价法
(1)方法原理及思想
人工神经网络是模仿生物神经网络功能的一种经验模型,输入和输出之间的
变换关系一般是非线性的。首先根据输入的信息尽力神经元,通过学习规则或自
组织等过程建立相应的非线性数学模型,并不断进行修正,使输出结果与实际值
之间的差距不断缩小。人工神经网络通过样本的“学习和培训”,可记忆客观事
物在空间、时间方面比较复杂的关系。由于人工神经网络本身具有非线性的特点,
且在应用中只需对神经网络进行专门问题的样本训练,它能够把问题的特征反映
在神经元之间相互关系的权中,所以,把实际问题特征参数输入后,神经网络输
出端就能给出解决问题的结果。
神经网络的特点是,神经网络将信息或知识分布储存在大量的神经元或整个
系统中。它具有全息联想的特征,具有高速运算的能力,具有很强的适应能力,
具有自学习、自组织的潜力。他能根据历史数据通过学习和训练能找出输入和输
出之间的内在联系,从而能得出问题的解。另外,他有较强的容错能力,能够处
理那些有噪声或不完全的数据。部分节点不参与运算,也不会对整个系统的性能
造成太大的影响。
反向传播(Back Propagation,BP)神经网络是由 Rumelhart 等人于 1985
年提出的一种很有影响的神经元模型,它是一种多层次反馈性模型,使用的是由
“导师”的学习算法。有广阔的应用前景。
(2)模型介绍
人工神经网络是由大量的神经元节点构成的.设网络的输入节点数为 m,输
出节点数为 n,网络是
的映射,对此有如下定理:令
为有界单调递增
连续函数,K 为
的有界闭子集,
为 K 上的实值连续函数,
则对任意
,存在整数 N 和实数
和
,使
),,2,1,)((),,,(
21
'
NjiWCxxxf
jijin
满足
|),,(),,,(|max
21
'
21
'
n
xxxfxxxf
上述定理说明,对任意
,存在一个 3 层网络,其隐含节点输出函数为
,