基于决策树的BP神经网络权值初始化方法及其应用研究

2019-12-05艾迪董海峰

智能计算机与应用 2019年5期

艾迪董海峰

摘要：为解决传统BP神经网络中随机初始化参数方法的缺陷，提出一种基于决策树信息增益算法的权值初始化方法。本文介绍了C4.5决策树算法和BP神经网络算法的主要特点，以及阐述了如何利用决策树算法中信息增益初始化BP神经网络权值参数，以避免传统随机初始化方法所造成的缺点。并以油气层敏感性评价的实例进行验证。实验表明，该初始化方法提高了BP神经网络的学习效率和准确度。

关键词： BP神经网络; 决策树; 信息增益; 权值初始化

【Abstract】 In order to solve the defects of the traditional random initialization parameter method， a BP neural network weight initialization method based on decision tree information gain algorithm is proposed. This paper introduces the main features of the C4.5 decision tree algorithm and the BP neural network algorithm， and explains how to use the information gain in the decision tree algorithm to initialize the BP neural network weight parameters， which could avoid the large amount of trial and error caused by the traditional random initialization method. It is verified by an example of oil and gas layer sensitivity evaluation. Experiments show that the initialization method improves the learning efficiency and accuracy of BP neural network.

【Key words】 BP neural network; decision tree; information gain; weight initialization

0 引言

BP神经网络是人工神经网络中最常用的算法之一，主要通过误差反向传播来达到学习模式的目的。其具有较高的模式分类能力和多维度映射能力，在模式分类、模式识别、计算机视觉等领域应用较广。

但在实际情况中，易收敛到局部极小值与收敛速度慢等缺点使得BP神经网络往往无法达到期望的学习效率，而造成这些问题的一个主要原因是权值参数不合理的初始化[1]。若神经网络初始权值选择不当，有可能导致神经网络初始误差较大，收敛的方向较差，从而导致上述问题的出现。为此众多科研工作者进行了大量研究，关于BP神经网络权值的初始化方法主要有：利用正態分布函数生成的随机数的BP神经网络权值初始化方法[2]、利用遗传算法全局搜索最优初始权值的方法[3]、基于粒子群算法等人工智能算法优化初始权值的方法[4]等等。但由于这些初始化方法都在某种程度上具有随机性，所以在实际情况中依然存在一些局限。

本文提出基于C4.5决策树算法的BP神经网络权值初始化方法。根据BP神经网络与决策树的分类模式具有等价性[5]，以及决策树算法能够计算特征的对于样本的划分能力，可以在权值初始化时对划分能力较大的特征赋予更高的权值，从而避免初始权值不当造成的初始误差较大等问题。实验结果表明，与传统的随机初始化方法相较，该方法有效地减少了初始误差，提升了神经网络的训练精度。

1 C4.5决策树算法概述

采用决策树算法来初始化BP神经网络权值的方法，主要是利用信息增益能够描述特征划分能力的特点，从而预估出各个神经元节点的权值大小[6]。且由于ID3决策树算法不支持连续型特征，以及对多值属性的偏向等缺陷，所以本文选用C4.5决策树算法作为权值初始化方法。针对连续数据的样本集，C4.5决策树算法训练步骤具体如下：

Step 1 对训练数据集中的连续数据离散化，缺失值补全。

Step 2 分别按照已处理的数据集的各个特征计算相应的信息增益、信息增益率。

Step 3 按照C4.5决策树算法，先找出信息增益高于平均水平的特征，再从中选择增益率最高的特征将当前数据集划分为不同的子集，建立相应的决策树。

Step 4 递归调用Step 2、Step 3，直至所有特征都参与决策划分，并根据结果来建立完整决策树。

C4.5决策树算法整体流程如图1所示。

2 BP神经网络概述

理论上，单隐藏层的BP神经网络可以逼近任何有理函数，而随意增加隐藏层的数目可能导致网络结构更加复杂，进而增加神经网络的训练时间，降低训练效率[7]，因此，本文重点讨论单层隐藏层BP神经网络。该神经网络由输入层、隐藏层和输出层组成，主要学习过程可分为正向传播和反向传播两部分。其中，在正向传播时，样本数据传入输入层，经过正向传播至隐藏层，以同样方式再传播至输出层，并在输出端输出实际结果，神经网络的初始权值在正向传播的过程中不产生变化，若实际结果与期望值的误差没有达到标准，则误差由输出层开始进入反向传播过程。各层各个节点的权值通过梯度下降算法进行更新，直至将所有节点的权值更新完毕，再次进行正向传播。通过反复的正向传播和反向传播使得各个节点的权值得到不断的修正，这2个过程一直循环交替进行，直到误差减少至设定的范围内，或者达到迭代次数为止。神经网络结构如图2所示。

4 油气层敏感性评价实例分析

本文原始数据来源于某油田岩石实验，其中油气层水敏性主要影响因素为：泥质含量、石英含量、蒙脱石含量、伊-蒙含量、胶结物总量、粒度中值、分选系数、孔隙度、渗透率、总矿化度[8]。针对油气层敏感性中水敏指数进行评价，部分训练样本见表1。

对训练样本集进行数据离散化处理，使用随机化算法打乱样本集顺序后，选取处理后样本数量的75%为训练样本，剩余25%为测试样本。计算训练样本中特征的信息增益与信息增益率，构建C4.5决策树模型。再将训练样本进行数据归一化作为BP神经网络的输入层，利用信息增益对随机初始化的权值进行加权处理，阈值初始化为0。将处理后的权值导入神经网络进行训练，误差达到标准后，输出评价模型，使用测试样本检测评价模型的准确率。采用完全相同的网络结构和初始阈值构建BP神经网络，使用基于随机初始化方法初始化权值。以相同的数据集进行迭代训练，并对比各实验结果。平均实验结果见表2。

从表2可以看出，基于决策树的初始化方法平均初始误差为2.36，低于随机初始化方法的初始误差;训练完成后，分类精度提升了1.8%，提升幅度不大，同时训练时间有略微下降。实验过程中，对基于决策树算法的权值初始化方法与随机初始化方法的训练误差进行对比，对比绘制结果如图5所示。

由图5的训练误差曲线可以看出，基于决策树算法的权值初始化方法的初始训练误差小于传统随机初始化方法，并优先到达误差最小值。

在此基础上，研究得出结论，基于决策树算法的BP神经网络权值初始化方法优于随机初始化方法，主要表现在初始误差相对较小，模型的分类精度得到提高。同时，研究表明该方法增强了BP神经网络的收敛能力，提高了学习的速度。

5 结束语

本文提出基于决策树算法的BP神经网络权值初始化方法，并与传统随机初始化方法在油气层敏感性评价实验中进行了对比。结果表明，以該方法初始化权值的BP神经网络初始误差相对较小，评价准确率更高，具有一定的实用性。同时，对于本文方法的研究优越性，则可概述为：

（1）决策树算法可以评估特征的区分能力，使得初始权值更为合理。

（2）大概率避开了局部极小值点。

参考文献

[1]刘鲭洁，陈桂明，刘小方，等.BP神经网络权重和阈值初始化方法研究[J].西南师范大学学报（自然科学版），2010，35（6）：137-141.

[2]范业仙，叶茂枝.BP神经网络初始化方法研究[J].韶关学院学报，2013，34（12）：18-21.

[3]墨蒙，赵龙章，龚嫒雯，等.基于遗传算法优化的BP神经网络研究应用[J].现代电子技术，2018，41（9）：41-44.

[4]冯非凡，武雪玲，牛瑞卿，等.粒子群优化BP神经网络的滑坡敏感性评价[J].测绘科学，2017，42（10）：170-175.