分段函数怎么用神经网络进行拟合_基于BP神经网络的分段函数连续优化处理

基于

BP

神经网络的分段函数连续优化处理

冯长敏，张炳江

【摘

要】

有些优化问题中的目标函数或者约束函数是分段函数，该类函数不具

有连续性和可微性，也即不符合非线性规划问题求解的最优性条件，因而传统

的梯度类算法难以求解此类优化问题。利用神经网络较强的非线性映射能力

,

结

合最小二乘法可以进行曲线拟合的特点，提出一种将分段函数处理成具有连续

而且可微性的函数的方法。最后进行实例验证，并进行误差分析，结果表明该

方法处理得出的连续且可微的函数对分段函数的逼近精度较高，可以利用该函

数进行优化求解。

【期刊名称】

北京信息科技大学学报(自然科学版)

【年

(

卷

),

期】

2019(034)001

【总页数】

5

【关键词】

关键词

:BP

神经网络；连续化；正态分布；函数逼近；最小二乘法

基金项目：国家自然科学基金资助项目

(11271362)

0

引言

数值优化与计算中，有很多学者研究了光滑优化问题。如，张培爱

[1]

提出了求

解非线性规划的一个连续化方法，其

KKT

条件通过

NCP

函数转化为一个非光

滑的方程组

,

然后用熵光滑化函数光滑化

,

得到一个带参数的方程组，为此提出了

一个求解该参数方程组的非内点连续化方法，但是计算效率不高。

人工神经网络

(ANN)

是在人脑结构的启发下所构建的计算模型。不同于一般的

算法，被训练后的神经网络可以完成一些特殊的功能，为系统提供一系列具有

代表性的描述问题的样本，即成组的输入、输出样本。神经网络可以推断出输