BP神經網絡的改進

胡麗陳斌賴啟明何振平

摘要：BP神經網絡易于陷入局部最小點以及收斂速度較慢，為了克服這些缺陷，本文對BP神經網絡進行改進。通過對BP神經網絡的樣本進行采樣分析，得到訓練目標函數與輸入向量之間的相關系數，依據此相關系數得到網絡訓練時的初始權重，再給待訓練的BP神經網絡進行初始權重的賦值，通過對初始權重的科學賦值從而達到避免網絡在訓練過程中陷入局部最小點與加快收斂速度的目的。本文通過實際驗證，確實達到預期目的。

關鍵詞：BP神經網絡；收斂速度；初始權重；局部最小

中圖分類號：TP391.9文獻標識碼：A

1引言

由于BP神經網絡對任意可微函數映射具有非常優良的擬合能力，所有被廣泛應用于自動控制[1]、非線性系統辨別[2，3][4，5]、控制及系統的故障診斷等[6-11]領域。然而由其自身算法以及網絡結構的原因，也使其具有局限性。本文就是針對其網絡收斂速度的問題進行了分析研究與改進。

2BP網絡的簡介

BP（Back Propagation）網絡[12，13]是一種采用反向傳播誤差以更新權重的前饋神經網絡。這是一個有輸入層、輸出層和隱含層的網絡，當然隱含層還可以根據實際的需要增加。信息從輸入層輸入后，就沿著如圖箭頭所指方向向后傳播，最后到達輸出層。網絡結構如圖1所示。3BP算法存在的問題

3.1BP神經網絡的自適應性

作為一般規則，一個系統的自適應性越好，它被要求在一個不穩定環境下運行時其性能就越具有魯棒性；自適應不一定總能導致魯棒性，可能導致相反的結果；自適應常數的選取問題是其關鍵所在。

5仿真對比：

以本文以某型天調單元的故障診斷為例，進行改進前與改進后的仿真對比實驗：（電路圖見附1）。

5.1樣本數據說明

5.2未改進方法仿真

5.3改進后仿真

其余步驟同上方法，根據4.2中方法將對初始權重進行更改：

1）輸出結果

2）網絡訓練過程：

從圖4（285步完成網絡的訓練）、圖5（183步完成網絡的訓練）的仿真結果可以看出，改進后的BP網絡收斂速度明顯變快。

6結論

從以上仿真結果可以看出，采用本文所述方法賦予網絡訓練初始權重值，在保證輸出結果準確的情況下訓練速度明顯提高。

參考文獻

[1]王遵 劉繼 敘永禧.美國西屋公司的輸電設備[M]. 北京：中國電力，1980（01）：1-5.

[2]BISHOP C M.Neural Neworks for Pattern Recognition[J].Oxford：Claredor Press，1995：102-156.

[3]GU X P，YANG Y H，ZANG W Q，GAO S.Integration of Artifical Neural Networks and Expert Systerns for Power System Fault Diagnosis[J].Proc.IPEC95，Singapore，February 1995.53-85.

[4]SPINA R，UPADHYAYA S.Linear Circuit Fault Diagosis Using Neuromorphic Analyzers[J].IEEE Trans.on Circuits and Systerns II，1997，44（3）：188-196.

[5]M.A ELGamal.A Knowledgebased approach for fault detection and isolation in analog circuits[J].International Conference on Neural Networks，1997：1580-1584.

[6]NISSAR A I，VIAVEYAY SJ.Fault diagnosis of Mixedsignal VLSI systerns using artificial neural networks[J].1999 Southeast symposium on MixedSiganl Design，1999：93-98.

[7]AMINIAN M，AMINIAN F.Neuralnetwork based analogcircuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits and systemII：Analog and Digital Signal Processing，2000，47（2）：151-156.

[8]CATELANI M，FORT A.Fault diagnosis of electronic analog circuits using a radial basis function network classifier[J].Measuremenr，2000，28：147-158.

[9]Farzan Aminian，Mehran Aminian，and H.W.Collins.Analog fault diagnosis of actual circuits using neural networks[J].IEEE Transactiond on Instrunmentation and Measurement，2002，51（3），：544-550

[10]周玉芬，高錫俊.模擬電路故障診斷[M].北京：國防工業出版社.1989：1-5.

[11]趙國南，郭玉順.模擬電路故障診斷[M].哈爾濱：哈爾濱工業大學出版社.1991：1-4.

[12]唐人亨.模擬電子系統的自動故障診斷[M].北京：高等教育出版社，1991：112-156.

[13]尉乃紅，楊士元.基于BP網絡的線性電路故障診斷 [J].計算機學報，1997，20（4）：360-366.