【摘要】：分類是指根據(jù)原始數(shù)據(jù)信息,尋找同一類別間對應的函數(shù)規(guī)則,建立合理模型,以便對未知類別進行合理劃分。隨著科學技術的日新月異,分類方法的研究在此基礎上也更加深入和全面。在實際問題中,數(shù)據(jù)量日趨大量化,問題日趨復雜化,傳統(tǒng)的分類方法通常存在預測準確率低且預測效率不高等問題,BP神經網絡模型可以對已知樣本數(shù)據(jù)集進行不斷地學習和訓練,并且通過對誤差反向修正,能夠以較高的準確率處理分類問題,因此得到了各領域的廣泛應用和認可。但是,在網絡結構的搭建過程中仍存在部分不足之處,如隱含層層數(shù)及節(jié)點數(shù)如何合理選取、連接權值閾值的隨機性導致網絡泛化能力差,這些問題都直接影響著網絡的預測精度。鑒于BP神經網絡以上存在的問題,論文首先總結前人對隱含層節(jié)點數(shù)確定的常用方法,在此基礎上提出了一種新的隱含層節(jié)點數(shù)確定方法,并且從理論基礎和實際應用兩方面對新方法的有效性、實用性以及優(yōu)越性進行驗證。其次針對初始權值、閾值的隨機性造成網絡收斂速度過慢的問題,論文提出了一種在遺傳算法基礎上進一步改進的BP神經網絡參數(shù)優(yōu)化方式,并給出參數(shù)優(yōu)化算法的具體原理及步驟,對比實驗表明改進后的方法在有效提升了網絡收斂速度的基礎上得到了更好的預測效果。最后基于優(yōu)化后的BP神經網絡預測模型,論文對鐵路道岔故障診斷的問題進行分類預測,得到了較好的預測效果。同時,對比實驗表明改進后的BP神經網絡模型合理有效,達到了改善預測效果的目的。
【圖文】：

BP神經網絡拓撲結構圖

Sigmoid函數(shù)曲線形式如圖2-2：logsig函數(shù)： =11 (2-11)tansig函數(shù)： =21 2 1 (2-12)圖2-2兩種S型函數(shù)曲線- 9 -
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：C81

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經網絡拐點預測法[J];金融經濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經網絡大會述評[J];國際學術動態(tài);1996年01期

3 吳立可;;脈沖神經網絡和行為識別[J];通訊世界;2018年12期

4 林嘉應;鄭柏倫;劉捷;;基于卷積神經網絡的船舶分類模型[J];信息技術與信息化;2019年02期

5 俞頌華;;卷積神經網絡的發(fā)展與應用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經網絡的通用理論建造基石[J];世界科學;2019年04期

7 鮑偉強;陳娟;熊濤;;基于進化神經網絡的短期電力負荷預測研究[J];電工技術;2019年11期

8 陳曉燕;;淺析簡單神經網絡的發(fā)展及簡單模型[J];數(shù)字技術與應用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

10 張庭略;;基于硬件的神經網絡加速[J];通訊世界;2018年08期

相關會議論文 前10條

1 孫軍田;張U，

本文編號：2709233