The invention discloses a method of self organization neural network structure based on the saliency of neurons, relates to the field of neural network technology, the traditional feedforward neural network structure selection problem, the method according to the network structure of neurons in the hidden layer was the size of a dynamic adjustment of neural network. The experimental results show that the improved algorithm can reduce the blindness of network structure selection, realize the dynamic optimization adjustment of network structure, and improve the accuracy of network identification. It has high accuracy in nonlinear system identification, data classification and engineering defect type identification.
【技术实现步骤摘要】
基于神经元显著性的前馈神经网络结构自组织方法
本专利技术涉及神经网络
,特别是涉及基于神经元显著性的前馈神经网络结构自组织方法。
技术介绍
人工神经网络,是20实际80年代以来人工智能领域兴起的研究热点。他从信息处理的角度对人脑神经元网络进行了抽象,建立起了一种类似人脑的数学模型,按不同的连接方式组成不同的网络。前馈神经网络作为一种误差反向传播网络,是目前人工神经网络研究领域应用最为广泛的网络。前馈神经网络,是一种信息正向传播,误差反向传播的一种神经网络;是一种三层或者三层以上的多层神经网络,每一个神经元都与右边的每个神经元全连接,但是上下两层的各神经元之间无连接。在前馈神经网络的具体使用过程中,需要首先对其网络的结构进行初始化,网络结构的选择取决于训练数据的复杂程度和整个系统的复杂程度。而确定网络结构的重点是确定网络的隐含层节点个数,目前最为普遍的方法为利用经验公式进行试凑选取,但此方法过于繁琐,需要进行不断尝试,而且此方法没有统一的理论作为支撑,缺乏科学性。传统的前馈神经网络有以下缺点:1、局部极小问题:传统的BP算法为一种局部搜的优化方法,它要解决一个复杂非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。2、收敛速度慢:BP算法本质为梯度下降算法,它所要优化的目标函数是非常复杂的,而且大量的训练数据使得BP算法效率低下,导致了网络收敛速度慢的现象。3、神经网络结构选择不一:神经网络结构的选择至今尚无一种统一而完整的理论指导,一般只能由经验选定。网络结构选择过大,训 ...
【技术保护点】
一种基于神经元显著性的前馈神经网络结构自组织方法,其特征在于,包括以下步骤:(1)系统建模;(2)网络初始化;(3)训练网络;(4)判断当前训练得到的隐含层第j个节点是否满足增长条件,若是,进入步骤(5),否则进入步骤(6);(5)在隐含层中增加神经元并再次训练网络;(6)判断是否达到预设的训练次数,如果是,进入步骤(7),否则返回步骤(3);(7)训练网络;(8)判断当前得到的隐含层第j个节点是否满足删减条件,若是,进入步骤(9),否则进入步骤(10);(9)删除隐含层对应的神经元,将删除的神经元的连接权值增加到目前显著性最大的神经元,并训练网络;(10)判断是否达到预设的训练次数,如果是则进入步骤(11),否则返回步骤(7);(11)用新参数训练网络;(12)带入测试数据测试网络,流程结束。
【技术特征摘要】
1.一种基于神经元显著性的前馈神经网络结构自组织方法,其特征在于,包括以下步骤:(1)系统建模;(2)网络初始化;(3)训练网络;(4)判断当前训练得到的隐含层第j个节点是否满足增长条件,若是,进入步骤(5),否则进入步骤(6);(5)在隐含层中增加神经元并再次训练网络;(6)判断是否达到预设的训练次数,如果是,进入步骤(7),否则返回步骤(3);(7)训练网络;(8)判断当前得到的隐含层第j个节点是否满足删减条件,若是,进入步骤(9),否则进入步骤(10);(9)删除隐含层对应的神经元,将删除的神经元的连接权值增加到目前显著性最大的神经元,并训练网络;(10)判断是否达到预设的训练次数,如果是则进入步骤(11),否则返回步骤(7);(11)用新参数训练网络;(12)带入测试数据测试网络,流程结束。2.如权利要求1所述的方法,其特征在于,所述的增长条件为:pj(n)>GTH(n)(1)其中,n表示第n次训练,pj(n)为增长指数,由式(2)计算得到,GTH(n)为增长阈值,由式(3)计算得到:其中,M为输出层节点个数,N为隐含层节点个数,wojk(n)为第n次训练时隐含层第j个节点到输出层第k个节点的连接权值,hj(n)为第n次训练时隐含层第j个神经元的输出;其中,α为增长分散系数。3.如权利要求2所述的方法,其特征在于,新增节点与输入层和输出层之间...
【专利技术属性】
技术研发人员:韩广,成琦,孙晓云,刘少哲,吴世星,
申请(专利权)人:石家庄铁道大学,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。