超聲波液位計液態介質測量高精度的探討 三十二
(2)自適應調整學習率
標準BP算法收斂速度緩慢的一個重要原因是學習率選擇不當，學習率選得太小，收斂太慢；學習率選得太大，則有可能修正過頭，導致振蕩甚至發散。
調整的基本指導思想是：在學習收斂的情況下，增大rl，以縮短學習時問；當11偏大致使不能收斂時，要及時減小rl，直到收斂為止。
(3)動量一自適應學習速率調整算法
采用動量法時，BP算法可以找到更優的解；采用自適應學習速率法時，BP算法可以縮短訓練時間。將以上兩種方法結合起來，就得到動量一自適應學習速率調整算法。
(4)L—M學習規則
L—M(Levenberg—Marquardt)算法比前述幾種使用梯度下降法的BP算法要快得多，對于復雜問題，這種方法需要相當大的存儲空間
綜合考慮，采用L—M學習規則和動量法分別作為神經網絡的訓練函數。
4．3 BP神經網絡的訓練策略及結果
本文借助于blATLAB神經網絡工具箱來實現多層前饋BP網絡(Multi-layerfeed-forward backpropagation network)的溫度、濕度到聲速的轉換，免去了許多編寫計算機程序的煩惱。神經網絡的實際輸出值與輸入值以及各權值和閾值有關，為了使實際輸出值與網絡期望輸出值相吻合，可用含有一定數量學習樣本的樣本集和相應期望輸出值的集合來訓練網絡。訓練時使用實測樣本數據。
可以取小罐的瀝青，不斷的加熱，在相對容易的實驗條件下測得樣本。另外，目前尚未找到較好的網絡構造方法。確定神經網絡的結構和權系數來描述給定的映射或逼近一個未知的映射，只能通過學習方式得到滿足要求的網絡模型。神經網絡的學習可以理解為：對確定的網絡結構，尋找一組滿足要求的權系數，使給定的誤差函數最小。設計多層前饋網絡時，主要側重試驗、探討多種模型方案，在實驗中改進，直到選取一個滿意方案為止。
方案可按下列步驟進行：對任何實際問題先都只選用一個隱層；使用很少的隱層節點數：不斷增加隱層節點數，直到獲得滿意性能為止；否則再采用兩個隱層重復上述過程。
訓練過程實際上是根據目標值與網絡輸出值之間誤差的大小反復調整權值和閾值，直到此誤差達到預定值為止。
詳情請瀏覽公司網站的產品中心 http://m.sol365.cn/ 超聲波液位計
官方動態