BP
算法的缺点与改进
目前,
BP
网络得到了越来越广泛的应用,但是
BP
算法在应用中也同时暴露出一定的缺陷
:
l)
训练次数多,学习效率低,收敛速度慢
;
2)
易形成局部极小
;
’
3)
隐层神经元的数目难以确定
;
4)
训练时有学习新样本而忘记旧样本的趋势。
针对这些缺陷,国内外研究者提出了许多有效的改进方法,如
:
l)
改进学习率参数的调节方法,如使学习率粉的大小随误差梯度变化
;
2)
改进神经网络的结构,如增加隐层神经元的数目
;
3)
改变激励函数,如把
sigmoid
函数改成分段函数
;
4)
权值修正方法,如增加动量项。
(1)BP
神经网络的建立
神经网络工具箱含有许多专用函数用来建立神经网络,
其中函数
newff()
来创建一个
BP
神经
网络。此函数的调用格式为
:
net=newff(PR
,
【
5152
„
S
司,
{TITZ
„
TN}
,
BTF
,
BLF
,
PF)
net=newff:
用于在对话框中创建
BP
神经网络
;
PR:R*2
维矩阵
(
共有
R
组输入
)
,每行由每组输入的最大值和最小值组
si:
第
i
层神经元数
;
Ti:
第
i
层的激励函数,
“
tansig
”为默认时函数
;
BTF:BP
神经网络的训练函数,
“
traiulm
”为默认时函数
;
BLF:BP
神经网络中权值和阂值的算法,
“
leamgdm
”为默认函数
;
PF:BP
神经网络的性能函数,
“
mse
”为默认函数。