改進的BP神經網路在地下水質評價中的套用

論文摘要

人工神經網路(Artificial Neural Network,簡稱ANN)是一種利用計算機模擬人腦神經組織的運算模型。它具有很強的自適應性、自組織性和容錯性能,已被廣泛地套用於信息處理、自動控制和模式識別等方面。神經網路包含很多並行處理信息的單元,即神經元。其工作原理與環境接受外界刺激的過程相似。目前地下水質評價的方法很多,主要有單因子法、綜合指數法、模糊數學法、灰色系統評價法等。儘管這些評價方法各具有一定的優點,但大都需要構造隸屬函式和確定權值。而隸屬函式的設計具有一定人為性,權值的計算方法也有不盡合理的一面,因此在某些情況下會丟失較多有價值的信息。神經網路在一定程度上可以彌補傳統評價方法需要構建隸屬函式、無法精確描述級別區間內的變化特徵以及設計過程具有一定人為偏好的不足。BP算法是人工神經網路方法中最重要和最流行的算法。由於BP神經網路是能夠很好的模擬非線性系統,具有較強學習能力的優異網路結構,因此在進行分類識別方面具有較為廣泛的運用。但是,由於BP神經網路又具有學習收斂速度緩慢、不能保證收斂到全局最小點、網路的學習記憶具有不穩定性、網路隱含層數及隱含層單元數的選取尚無統一的理論指導等缺點。針對BP網路中存在的上述缺點,科技工作者仍在進行探索。主要的研究方向有:一是泛化能力研究,所謂泛化能力就是用較少的學習樣本對網路進行訓練後,網路對於大量未經學習過的輸入模式也能正確處理;二是研究多層網路的新結構;三是對網路的性能進行最佳化。所以本文試圖藉助神經網路模型的優異功能,對它的缺點進行改進。本文的主要工作有:(1)將BP神經網路模型套用於地下水質評價中;(2)對BP算法進行改進。在權值和閾值的修改中加入動量項因子和自適應因子,對激勵函式進行修正,對隱節點數進行最佳化選擇。對改進後的BP算法和標準BP算法進行實驗比較,得出改進後的BP算法可以有效的加快訓練速度,減少訓練誤差等。(3)為了更好地說明BP神經網路分類識別的優良效果,本文採用單因子及模糊綜合評判法與之做了對比。總之,本文採用改進的三層BP神經網路模型,以昆明地下水數據做樣本,用C#調用MATALAB來訓練BP網路,開發了地下水質評價系統。經過測試,本文建立的基於BP神經網路識別模型在地下水質評價中效果比其他模型好。相信本文的這一結論對城市地下水評價具有一定的指導作用,同時也可以為我國建立地下水質評價提供可供借鑑的依據。

引文格式

杜剛. 改進的BP神經網路在地下水質評價中的套用[D].上海師範大學,2007.

改進的BP神經網路在地下水質評價中的套用

基本介紹

論文摘要

引文格式

相關詞條

熱門詞條