基于人工神经网络的预测研究(7)

函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响，因此BP网络训练过程很长。此外，由于BP算法的固有特性，BP网络容易陷入局部极小的问题不可能从根本上避免，并且BP网络隐层节点数目的确定依赖于经验和试凑，很难得到最优网络。采用局部激励函数的RBF网络在很大程度上克服了上述缺点，RBF不仅有良好的泛化能力，而且对于每个输入值，只有很少几个节点具有非零激励值，因此只需很少部分节点及权值改变。学习速度可以比通常的BP算法提高上千倍,容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性也较BP网络易于保证，因此可以得到最优解[10][11]。

从上面所示的结果来看，主要有一下几方面的不同：

（1）由于学习速率是固定的，因此BP网络的训练过程较长，当需要处理较复杂的问题时，需要的时间很长。而RBF网络的建网过程即是训练过程此外，训练时间较少．精度也比较高。

（2）在处理同一问题时，通常情况BP网络所需的神经元个数比RBF网络要少。 （3）BP网络的输出和初始的权值有关，而RBF网络的输出与初始的权值无关。 （4）RBP网络隐含层的层数和单元数的选择要凭借经验反复验证，因此网络的冗余性比较大。RBF隐层节点的数目也在训练过程中确定。但是要确定径向基函数的分布密度。

隐层基函数的中心是在输入样本集中选取的, 这在许多情况下难以反映出系统真正的输入输出关系, 并且初始中心点数太多; 另外优选过程会出现数据病态现象。

6. 结论

6.1 结论

人工神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。可以通过神经网络对事物进行预测从而用简单的方法完成复杂的问题。

[10]智会强,牛坤,田亮等.BP网络和RBF网络在函数逼近领域内的比较研究[J].科技通报,2005 (2).

[11]刘永,张立毅.BP网络与RFB神经网络的实现及其性能比较[J].电子测量技术研究设计,2007(4):77～

80.

30

神经网络可以很容易的解决具有上百个参数的问题（当然实际生物体中存在的神经网络要比我们这里所说的程序模拟的神经网络要复杂的多）。神经网络常用于两类问题：分类和回归。在结构上，可以把一个神经网络划分为输入层、输出层和隐含层。输入层的每个节点对应一个个的预测变量。输出层的节点对应目标变量，可有多个。在输入层和输出层之间是隐含层，隐含层的层数和每层节点的个数决定了神经网络的复杂度。

人工神经网络的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。

6.2注意事项

在使用神经网络时有几点需要注意：

第一，神经网络很难解释，目前还没有能对神经网络做出显而易见解释的方法学。

第二，神经网络会学习过度，在训练神经网络时一定要恰当的使用一些能严格衡量神经网络的方法，如前面提到的测试集方法和交叉验证法等。这主要是由于神经网络太灵活、可变参数太多，如果给足够的时间，他几乎可以“记住”任何事情。

第三，除非问题非常简单，训练一个神经网络可能需要相当可观的时间才能完成。当然，一旦神经网络建立好了，在用它做预测时运行时还是很快得。

第四，建立神经网络需要做的数据准备工作量很大。一个很有误导性的神话就是不管用什么数据神经网络都能很好的工作并做出准确的预测。这是不确切的，要想得到准确度高的模型必须认真的进行数据清洗、整理、转换、选择等工作，对任何数据挖掘技术都是这样，神经网络尤其注重这

31

一点。比如神经网络要求所有的输入变量都必须是0~1（或-1~-+1）之间的实数，因此像“地区”之类文本数据必须先做必要的处理之后才能用作神经网络的输入。

6.3 人工神经网络的局限性

人工神经网络是一个新兴学科，因此还存在许多问题。其主要表现有： (1) 受到脑科学研究的限制：由于生理实验的困难性，因此目前人类对思维和记忆机制的认识还很肤浅，还有很多问题需要解决； (2) 还没有完整成熟的理论体系； (3) 还带有浓厚的策略和经验色彩； (4) 与传统技术的接口不成熟。

上述问题的存在，制约了人工神经网络研究的发展。

相信只要能客服这些局限性，人工神经网络的发展将不可限量。

参考文献

[1] 朱大奇.人工神经网络研究现状及其展望[N].江南大学学报,2004:103～108. [2] 董军,胡上序.混沌神经网络研究进展和展望[J].信息与控制,1997 (5):360～368. [3] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2002. [4] 马锐.人工神经网络原理[M].北京:机械工业出版社.2010. [5] 胡守仁,余少波,戴葵.神经网络导[M].长沙:国防科技大学出版社,1992. [6 ]胡金滨,唐旭清.人工神经网络的BP算法及其应用[J].信息技术,2004 (4):1～4. [7] 余江海.一种制冷系统故障诊断方法[C].上海交通大学硕士论文,2001.

[8] 中国机械工程学会设备维修分会,机械设备维修问答丛书,编委会空调制冷设备维修问答[M].北京:机

械工业出版社.1988.

[9] 宋桂荣.改进BP算法在故障诊断中的应用[N].沈阳工业大学学报,2001 (3):252～254.

[10] 智会强,牛坤,田亮等.BP网络和RBF网络在函数逼近领域内的比较研究[J].科技通报,2005 (2). [11] 刘永.张立毅.BP网络与RFB神经网络的实现及其性能比较[J].电子测量技术研究设计,2007 (4)：77～

80.

Prediction Based on Artificial Neural Network

Abstract: With the great development and the wide application of internet, the artificial neural network had been using widely by more kinds of fields. This paper introduces the basic principle and the concept of artificial neural network, then detail introduces the back-propagation algorithm and RBF algorithm introduction and Application. BP is the error back propagation BP algorithm, RBF network is

32

feed forward network propagation .Finally, the paper cites the failure example of the air-conditioning system. The paper built the air-conditioning system fault in the BP and RBF model and conduct the network input/output , parameters selection, the network structure ,the selection of training samples and the network training and testing. Finally the application of BP algorithm and RBF algorithm in fault diagnosis of the air - conditioning system is researched.Drawn from the same sample size and accuracy requirement, neural network …… 此处隐藏：2246字，全部文档内容请下载后查看。喜欢就下载吧 ……