>>所属分类 >> 测试测量   

水质预测

    水质变化具有较强的非线性特性,要对水质进行较为准确的预测,就必须采取能捕捉非线性变化规律的预测方法,而神经网络正是一种解决非线性问题的有力工具。神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则根据网络的连接方式,权重值和激励函数的不同而不同。神经网络采用了与传统人工智能和信息处理技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。采用神经网络进行水质预测,可以不必使用显式的方程来确定模型,借助神经网络的非线性处埋和容噪能力,根据不同的实际情况,构建特定的神经网络预测模型,在实验和训练的基础上,改进网络结构,提高网络的泛化能力。本节构建误差反向传递神经网络模型(BP,back  propagation)对水质进行预测。

    BP模型的核心思想是调整权值使网络总误差最小,通过把学习的结果反馈到中间层次的隐含层单元,改变它们的权系矩阵,从而达到预期的学习目的。BP模型学习过程由正向传播和反向传播两部分组成。在正向传播过程中,输入样本从输入层经隐含层单元处理,传向输出层;如果利用已有的网络连接权重和阈值在正向传播时输出层不能得到期望输出矢量,即误差函数值较大,则转入反向传播。在反向传播过程中,将误差信号沿原来的连接通道返回,通过修改各层神经元的权重和阈值来减少误差函数值。反复进行上述正向和反向传播过程,直到达到预先设定的要求。一般以误差函数小于某一相当小的正值或进行迭代运算时误差函数不再减小,至此完成网络的训练。

附件列表


→如果您认为本词条还有待完善,请 编辑词条

上一篇层次分析法下一篇水下无线传感器网络

词条内容仅供参考,如果您需要解决具体问题
(尤其在法律、医学等领域),建议您咨询相关领域专业人士。
0

收藏到:  

词条信息

baikemm
baikemm
超级管理员
词条创建者 发短消息   
  • 浏览次数: 476 次
  • 编辑次数: 1次 历史版本
  • 更新时间: 2016-07-29

相关词条