BP神经网络的改进

胡丽陈斌赖启明何振平

摘要：BP神经网络易于陷入局部最小点以及收敛速度较慢，为了克服这些缺陷，本文对BP神经网络进行改进。通过对BP神经网络的样本进行采样分析，得到训练目标函数与输入向量之间的相关系数，依据此相关系数得到网络训练时的初始权重，再给待训练的BP神经网络进行初始权重的赋值，通过对初始权重的科学赋值从而达到避免网络在训练过程中陷入局部最小点与加快收敛速度的目的。本文通过实际验证，确实达到预期目的。

关键词：BP神经网络；收敛速度；初始权重；局部最小

中图分类号：TP391.9文献标识码：A

1引言

由于BP神经网络对任意可微函数映射具有非常优良的拟合能力，所有被广泛应用于自动控制[1]、非线性系统辨别[2，3][4，5]、控制及系统的故障诊断等[6-11]领域。然而由其自身算法以及网络结构的原因，也使其具有局限性。本文就是针对其网络收敛速度的问题进行了分析研究与改进。

2BP网络的简介

BP（Back Propagation）网络[12，13]是一种采用反向传播误差以更新权重的前馈神经网络。这是一个有输入层、输出层和隐含层的网络，当然隐含层还可以根据实际的需要增加。信息从输入层输入后，就沿着如图箭头所指方向向后传播，最后到达输出层。网络结构如图1所示。3BP算法存在的问题

3.1BP神经网络的自适应性

作为一般规则，一个系统的自适应性越好，它被要求在一个不稳定环境下运行时其性能就越具有鲁棒性；自适应不一定总能导致鲁棒性，可能导致相反的结果；自适应常数的选取问题是其关键所在。

5仿真对比：

以本文以某型天调单元的故障诊断为例，进行改进前与改进后的仿真对比实验：（电路图见附1）。

5.1样本数据说明

5.2未改进方法仿真

5.3改进后仿真

其余步骤同上方法，根据4.2中方法将对初始权重进行更改：

1）输出结果

2）网络训练过程：

从图4（285步完成网络的训练）、图5（183步完成网络的训练）的仿真结果可以看出，改进后的BP网络收敛速度明显变快。

6结论

从以上仿真结果可以看出，采用本文所述方法赋予网络训练初始权重值，在保证输出结果准确的情况下训练速度明显提高。

参考文献

[1]王遵 刘继 叙永禧.美国西屋公司的输电设备[M]. 北京：中国电力，1980（01）：1-5.

[2]BISHOP C M.Neural Neworks for Pattern Recognition[J].Oxford：Claredor Press，1995：102-156.

[3]GU X P，YANG Y H，ZANG W Q，GAO S.Integration of Artifical Neural Networks and Expert Systerns for Power System Fault Diagnosis[J].Proc.IPEC95，Singapore，February 1995.53-85.

[4]SPINA R，UPADHYAYA S.Linear Circuit Fault Diagosis Using Neuromorphic Analyzers[J].IEEE Trans.on Circuits and Systerns II，1997，44（3）：188-196.

[5]M.A ELGamal.A Knowledgebased approach for fault detection and isolation in analog circuits[J].International Conference on Neural Networks，1997：1580-1584.

[6]NISSAR A I，VIAVEYAY SJ.Fault diagnosis of Mixedsignal VLSI systerns using artificial neural networks[J].1999 Southeast symposium on MixedSiganl Design，1999：93-98.

[7]AMINIAN M，AMINIAN F.Neuralnetwork based analogcircuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits and systemII：Analog and Digital Signal Processing，2000，47（2）：151-156.

[8]CATELANI M，FORT A.Fault diagnosis of electronic analog circuits using a radial basis function network classifier[J].Measuremenr，2000，28：147-158.

[9]Farzan Aminian，Mehran Aminian，and H.W.Collins.Analog fault diagnosis of actual circuits using neural networks[J].IEEE Transactiond on Instrunmentation and Measurement，2002，51（3），：544-550

[10]周玉芬，高锡俊.模拟电路故障诊断[M].北京：国防工业出版社.1989：1-5.

[11]赵国南，郭玉顺.模拟电路故障诊断[M].哈尔滨：哈尔滨工业大学出版社.1991：1-4.

[12]唐人亨.模拟电子系统的自动故障诊断[M].北京：高等教育出版社，1991：112-156.

[13]尉乃红，杨士元.基于BP网络的线性电路故障诊断 [J].计算机学报，1997，20（4）：360-366.