讨论人工神经网络数学模型的建立

常青

摘要：人脑的信息处理具有非线性的特点。人工神经网络模型是模拟人脑神经系统的非线性网络模型。本文首先简述人工神经网络；然后描述BP网络模型及实现弹性BP算法的BP网络设计；最后介绍网络训练和测试。

关键词：人工神经网络；BP网络；模型

中图分类号：TD45 文献标识码：A 文章编号：1007-9416（2017）05-0247-01

1 BP网络模型

（1）BP网络概述。BP神經网络也称为反向传播网络，相关神经元在这一网络结构中分层排列，通过信息输入层以及信息隐含层和信息输出层，以此实现对相关网络结构进行全面连接。在此连接过程中，神经网络前层结构中的相关信息，输出单元无法反馈到信息输出层的更前层。因此，在此网络模型中，各层既相互连接又独立连接。

（2）BP人工神经网络模型的实施流程及BP算法。在模型中只要对输出节点以及输入节点的数目进行调整即可。但是，在具体应用实施过程中，需要按照一定的标准流程进行分析。最后，对采样数据运算结果进行修正。

BP人工神经网络模型中，除了具有信息输出与输入节点之外，还具有一个或一个以上的信息隐含节点。因此，当采用上述模型对实际项目进行分析时，首先应使信息通过输入层进入到隐含层节点位置，然后经过模型分析，最终再将运算之后的数据由隐含节点输出到信息的输出节点，并输出科学的运算结果。而在此过程中，三个不同节点之间的相关采样信息数据的运算，一般采用以下数据模型进行计算分析：

在上述S型激励函数模型中，调整此激励函数形式的Sigmoid参数采用Q表示。因此，下一层神经元的状态只会受到上一层神经元状态的影响。但是，在上述模型分析运算过程中，如果输出层中的信息与期望输出信息之间存在一定的偏差，则相关采样信息会进行反向传播，并将数据结果的运行误差，按照原始运行程序返回至原连接通道，从而再次进行循环运行，以此对网络模型各层神经元的权值进行修正，以此获得最终修正结果[2]。

在BP网络结构设计中，有关研究表示连续函数可使用隐含层的BP网络来接近，这样就会使得3层BP网络完成任一个N-M维的映射。输入层节点数与样本输入时的特征有较大的联系，直接由之决定，输出节点数可按照样本期望输出项目而定。隐层节点中，数目多，其收敛速度会相应的变慢，且速度处于不稳定状态，进而增加初始权值敏感度，网络泛化能力相应降低，计算隐层节点数，可使用以下公式：

公式中，h表示隐层节点数，表示输入层节点数，nout便是输出层节点数。网络误差出现下降时，E（网络误差）下降速度就会变得很缓慢，网络的收敛速度就要适当的提升，可有效增加一个隐层节点。但是遇见的情况相反，对应节点就会少一个。为了简化数据运算过程中，假设该网络模型中只有一个输出网络节点y，而任一节点i的输出值为，同时假设本次水质分析评价一共有N个不同的样本（k=1，2，3，…，N），网络模型输入节点中的样本值为，网络模型输出节点中的样本值为，则网络节点i的输出值为，网络节点j的输入值：， 该神经网络模型的具体误差函数为：

2 网络训练及测试

通过100个样本开展声场样本，这时会采用到数据LINSPACE（X1，X2，N）函数。本次分析中网络有三层结构，其中第一层选择tansing激活函数；第二层采取logsig激活函数；而第三层则是使用purline激活函数。网络训练过程中会应用到Matlah神经网络工具箱中的L-M法的 trainlm函数完成计算。而网络学习和等级的评价，在MATLAB神经网络工具箱上建立即可[3]。

而网络测试成效方面来看，人工神经网络评价要尽可能的降低人为因素的影响，减少传统方式带来的误差，展开客观评价。以此同时，BP神经网络这样的评估方式还存在局限性，对网络隐层节点还是难以确定，这在一定程度会影响评价结果的准确性。

3 结语

应用人工神经网络对处理多源、多类型以及多属性等问题具有明显的优势，特别是统计模型方面有了较大的突破，采用人工神经网络模型进行数据分析运算，使得评价结果的科学性大大提高，特别是模型通过正向与反向两种运算方式进行数据处理，降低模型评价分析结果误差，为各类研究资料分析提供了科学的参考依据。

参考文献

[1]谭龙，陈冠，曾润强，等.人工神经网络在滑坡敏感性评价中的应用[J].兰州大学学报（自然科学版），2014，5（01）：15-20.

[2]李龙，魏靖，黎灿兵，曹一家，等.基于人工神经网络的负荷模型预测[J].电工技术学报，2015，6（08）：225-230.

[3]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011，13（24）：62-65.endprint