分析基于神經網絡知識庫的多神經網絡集成方法

莊強 張溪

摘 要： 科學技術的進步推動了神經網絡技術的發展，且廣泛地應用于我國的多個領域之中，實現了復雜問題的簡單化，大大提高了工作人員的工作效率。本文對多神經網絡集成方法進行了概述，并詳細分析闡述了在BP網絡集成的基礎上進行非線性的研究案例。

關鍵詞： 神經網絡知識庫 多神經網絡集成 方法研究

隨著我國科學技術的不斷發展，神經網絡技術已經獲得廣泛的應用，在我國的多個領域中使用，且已經小有成就。但是在使用的過程中還不成熟，仍存在很大的不足和問題，這就需要工作人員進行反復的試驗和計算，以獲得有關于神經網絡的模型。神經網絡模型在使用的過程中，會受到操作人員的影響，因此結果表現出來的也就不同。神經網絡在實際使用的過程中，操作人員多是缺乏專業知識水平的普通工作人員，這就導致神經網絡模型的使用效果得不到保障，因此需要系統的、可靠的神經網絡模型操作的應用體系。

一、多神經網絡集成方法

1.在神經網絡知識庫基礎上發展而來的神經網絡集成應用體系

在神經網絡技術應用的過程中，要對工作人員所具備的神經網絡方面的知識和經驗進行培訓，可以通過多元化的神經網絡來學習和積累與神經網絡有關的知識，神經網絡所具備的實用性將獲得大幅度的提高。現階段，我國與神經網絡技術有關的工程都較為復雜，大多數的工程都具備獨立性較強的子系統、功能單元及部件等，將原本復雜的系統分解成多個簡單的小系統。因此工作人員在遇到復雜的系統問題時，可以將復雜的問題分解成多個相對獨立的部件、功能單元或者是子系統，進行信息資料的輸出或者是輸入。使用神經網絡技術得到相關子系統的特點信息之后，就能夠以此為基礎面對系統復雜的問題，例如系統中的辨識度問題、同一個系統中包括多個子系統的神經網絡問題等。

在上述想法的基礎上，對神經網絡知識庫進行構建，并逐漸完善神經網絡集成體系的框架。是按照將復雜的神經網絡問題分解成多個子系統的神經網絡問題，而不是針對一個相對較復雜的問題進行的。將復雜問題分解成多個子系統，能夠充分體現復雜的神經網絡技術所具備功能，并為神經網絡問題的分類提供便利，不僅可以提高解決問題的工作效率，而且可以積累神經網絡方面的經驗。在神經網絡問題的實際解決過程中，如果子系統所具備的屬性是對數據資料的輸出和輸入是固定的話，就需要子系統記住這些匹配。也可以是將神經網絡子系統中存在的知識庫與神經網絡中的儀器設備相匹配，那么在進行相關信息的輸入時，就可以對神經網絡知識庫中的連接權、閾值等相關參數進行調用，而不進行反復性質的神經網絡學習，這時神經網絡所具備的功能就是對函數進行傳遞。如果在子系統的神經網絡知識庫中存在與子系統屬性相匹配的網絡部分，就需要在神經網絡知識庫中找到與初始值和缺省值相匹配的經驗值，將其作為基礎就可以對神經網絡的子系統的連接權、閾值等相關參數進行訓練；如果神經網絡的知識庫中不存在與子系統屬性相匹配的網絡部分，就要對神經網絡的樣本進行訓練，并在神經網絡問題求解的過程中對網絡結構的設計和計算方法等進行學習和訓練，以求真正與神經網絡的知識庫相融合。在神經網絡知識庫基礎上發展而來的多神經網絡集成體系如下圖所示：

圖 在神經網絡知識庫基礎上發展而來的多神經網絡集成體系

2.多神經網絡集成的方法與流程

從神經網絡的有關資料可以看出，多神經的網絡集成體系中存在多個子系統且屬于多層并聯或者串聯的結構體系。從資料明顯可以看出，子神經網絡系統的結構較為簡單，為神經網絡進行計算和訓練等操作提供了便利。在對復雜的網絡問題進行分解的過程中，要進行反復的摸索和計算，以求得到最優化的結果，并把結果存儲在神經網絡的知識庫中，為下一次的操作提供經驗和學習的基礎。在神經網絡系統中存在多個層次，可以將位于下一層的輸出當做是上一層的輸入使用，位于同一層次的神經網絡都可以被上一層的神經網絡使用，直到到達神經網絡的頂層為止。

二、在BP網絡集成的基礎上進行非線性的研究案例

本文通過復雜的非線性函數案例對神經網絡的集成方法進行驗證，以有效證明神經網絡集成方法所具備的有效性、穩定性、可靠性和可行性。在神經網絡函數的研究過程中，人們一直都比較注重對神經網絡函數逼近原理進行研究，但是沒有更為明確的說明。

1.非線性函數逼近原理的舉例描述

通過神經網絡進行函數的非線性映射的描述，函數F■（x■，x■）中的x■，x■要符合以下要求：x■，x■∈[-1，1]。函數表示為：

F■（x■，x■）=sin■∈（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

在函數中根據△x■=△x■=0.05的原則進行取點的操作，并對函數進行神經網絡的輸入和輸出操作的訓練，以求得出函數公式最理想的輸出結果。

2.函數問題的解題方法

（1）在函數公式求解的過程中，需要用到神經網絡知識庫中的逼近原理。

（2）在函數公式求解的過程中，需要進行反復的摸索和拼湊，以實現對神經網絡拓撲結構的設計，通過BP算法的使用，實現對函數公式求解的目的。

（3）在函數公式的求解過程中，如果使用多神經網絡集成方法的話，就要對神經網絡的結構進行設計，以為函數公式的求解提供便利。

F■（x■，x■）=sin■（πx■）+cos■（πx■）+2sin（πx■）cos（πx■）

=（sin（πx■）+cos（πx■））■

根據神經網絡中可以將復雜的問題進行分解成多個子系統的原則，將函數公式分解成以下四個簡單的函數問題：

f■（x■）=sin（πx■）

f■（x■）=cos（πx■）

f■（f■，f■）=sin（πx■）+cos（πx■）=f■f■

F■（f■）=f■■

對分解之后的函數公式進行求解，通過BP算法的求解，從而達到對函數公式求解的目的。

3.函數求解過程中所使用的方法對比

在使用神經網絡進行求解的過程中，神經網絡的結構呈現出較為復雜的特點，由于缺少經驗作為基礎，因此只能進行多次的嘗試和摸索，比較花費人力，浪費時間，得到的結果還不理想，存在一系列的問題，例如速度慢、規律復雜等。本文介紹的案例就進行了反復的嘗試，得到的輸出三維圖與最理想的三維圖之間還存在差異。

把原來較為復雜的函數公式分解成多個簡單的函數公式之后，在通過多神經網絡集成方法進行求解的過程中，每個函數公式都很簡單，在訓練的過程中，也不存在大量的拼湊和嘗試，能夠在短時間內就確定函數公式結構的參數。將與函數公式有關的閾值和訓練值等都存儲在神經網絡的知識庫中，在遇到同類型的函數公式求解時，就可以從神經網絡知識庫中直接調用即可，不僅計算的速度快，輸出結果的精確度也很高。通過神經網絡集成方法找到的函數公式的輸出三維圖，與最優的三維圖之間非常的相似，差異不大，可以忽略不計。

三、結語

在神經網絡知識庫的基礎上使用多神經網絡集成方法進行問題的求解時，不僅可以大大節省求解所用的時間，而且可以大大提高輸出結果的精確度。可以將復雜的問題分解成多個簡單的問題，以提高神經網絡的工作效率，對計算方法進行創新和發展。

參考文獻：

[1]林民龍.基于神經網絡集成的增量式學習[D].中國科學技術大學，2012.

[2]唐東波.基于神經網絡集成的電信客戶流失預測建模及應用[J].大眾商務，2010（06）.

[3]李明愛，王蕊，郝冬梅.基于神經網絡集成技術的運動想象腦電識別方法[J].北京工業大學學報，2011（03）.

[4]劉大有，張冬威，李妮婭，劉杰，金弟.基于網絡聚類選擇的神經網絡集成方法及應用[J].吉林大學學報，2011（04）.

[5]潘遠.粗集約簡的神經網絡集成在遙感影像分類中的應用[D].遼寧工程技術大學，2012.

[6]湯紅忠，徐瑜，張東波，郭雪峰.基于目標數據修正的差異性神經網絡集成方法[J].信息與控制，2013（01）.

江西省教育科學“十二五”規劃課題，題名：基于神經網絡的高職氣象類學生網絡學習評價模式論證；課題編號：12YB207。