【《苯乙烯本体聚合数据驱动建模分析案例》3700字】_第1页
【《苯乙烯本体聚合数据驱动建模分析案例》3700字】_第2页
【《苯乙烯本体聚合数据驱动建模分析案例》3700字】_第3页
【《苯乙烯本体聚合数据驱动建模分析案例》3700字】_第4页
【《苯乙烯本体聚合数据驱动建模分析案例》3700字】_第5页
已阅读5页,还剩9页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

苯乙烯本体聚合数据驱动建模分析案例目录TOC\o"1-3"\h\u3608苯乙烯本体聚合数据驱动建模分析案例 1197431.1BP神经网络 1228881.1.1人工神经网络结构 1253101.1.2人工神经网络学习规则 3236101.1.3人工神经网络特点 332921.2基于MATLAB的神经网络建模 4192091.2.1网络训练次数的选择 4280831.2.2网络隐含层的层数的选择 7178711.2.3学习率α和动量因子η的选择 8138551.2.4网络建立 942131.2.5MATLAB神经网络拟合GUI工具箱 101.1BP神经网络1.1.1人工神经网络结构一般来说,神经网络的结构主要是指其连接方式。根据网络的拓扑结构,神经网络属于以神经元为节点,节点间有向连接为边的图。其结构大致可分为两类:层状和网状;分层结构的神经网络是由多层结构组成的。每一层都有一定数量的神经元。相邻层的神经元是单向连接的。一般来说,同一层的神经元是不能连接的。在网状结构网络中,任意两个神经元可以双向连接。网络结构主要如下:(1)前向网络(前馈网络)前馈网络通常包含许多层,三层网络如图1.1所示。这种网络的特点是只有前后相邻层之间的神经元相互连接,神经元之间没有反馈。每个神经元可以从一层接收多个输入,下一层的每个神经元只接收一个输出。前馈网络分为输入层、隐层和输出层。在前向网络中,具有计算功能的节点称为计算单元,而输入节点没有计算功能。图1.1前向网络(2)反馈网络反馈网络具有从输出层到输入层的反馈,即每个节点同时接收外部输入和其他节点的反馈输入,也包括神经元输出信号引导回自身输入形成的环路反馈,如图1.2所示。反馈网络的每个节点都是一个计算单元。图1.2反馈网络(3)相互结合型网络组合网络属于网络结构。网络中的每个神经元可以在两个方向上相互连接,所有神经元都作为输入和输出。这种网络在信息处理上不同于前向网络。在前馈网络中,信息处理从输入层到输出层。在这种网络中,如果在某一时刻从神经网络外部施加一个输入,则每个神经元同时进行信息交互和处理,直到所有神经元的活动或输出值收敛到某一平衡值,这就是信息处理的终点。(4)混合型网络上述的前向网络和相互结合型网络分别是典型的层状结构网络和网络结构网络,介于这两种网络中间的一种联接方式,如图1.4所示,在前向网络的同一层间神经元有互联的结构,称为混合型网络。这种在同一层内的互联,目的是为了限制同层内神经元同时兴奋或一直的神经元数目,以完成特定的功能。图1.4混合型网络1.1.2人工神经网络学习规则对于神经网络学习规则的一般描述是:修改网络权值和阈值的过程,这个过程也可以参考训练算法。学习规则的目的是训练网络完成某些任务。神经网络的学习规则有很多种,可分为有监督学习、无监督学习和增强性学习。有监督学习:给网络提供一些样本集{x1,t1}{x2,t2},...{xq,tq}其中xq表示网络的输入,tq表示与之对应的正确目标输出。根据实际输出与目标输出之间的误差调整网络的权值和阈值,这是一种有监督学习规则;无监督学习:只给网络只提供输入,没有输出,网络权值和阈值的调整只与输入有关。一般来说,它不告诉网络怎么做,而是让它学会如何处理一些事情;增强型学习。增强型学习类似于有监督的学习。通常这种算法只是给出一个评分,对于一系列的样本输入这个评分就是评价这个网络性能的指标。1.1.3人工神经网络特点神经网络的特点主要有:分布式存储信息、信息处理和存储合二为一、并行协同处理信息、对信息处理具有自组织自学习的能力。(1)分布式存储信息。神经网络不同的位置都可以存储相应的信息,主要分布在神经元之间的连接和连接权值上,当网络受到损害时,仍然能够保证信息的正确,具有较强的容错性和鲁棒性。(2)信息处理和存储合二为一。神经元不仅具有信息处理能力,还有信息存储功能。(3)并行协同处理信息。每一个神经元都可以接收信息并独立处理这些信息,同一层的神经元可以同时计算结果和输出结果,交给下一层进行处理。体现了并行运算的能力,也使网络具有较强的实时性。(4)对信息处理具有自组织自学习的能力。结构和参数是神经网络两大要素,权值与阂值的是评价神经网络的标准。神经网络可以自行的不断学习和训练,修改自身参数,从而提高神经元的灵敏度[]。人工神经网络的特点人工神经网络的主要特点是:信息的分布式存储,信息处理与存储的集成,信息的并行协同处理,信息处理的自组织和自学习能力分布式存储信息:神经网络的不同位置可以存储相应的信息,主要分布在神经元之间的连接和连接权值。当网络遭到破坏时,它仍能保证信息的正确性,并具有很强的容错性和鲁棒性;信息处理与存储相结合:神经元不仅具有信息处理的能力,而且具有信息存储的功能;信息的并行协同处理:每个神经元都能独立地接收和处理信息。同一层神经元可以同时计算结果并输出结果,并将结果发送到下一层进行处理。它体现了并行计算的能力,使网络具有很强的实时性;具有信息处理的自组织和自学习能力:结构和参数是神经网络的两大要素,权重和阈值是神经网络的评价标准。神经网络能够不断地进行自学习和训练,修改自身的参数,从而提高神经元的灵敏度。1.2基于MATLAB的神经网络建模1.2.1网络训练次数的选择交代多少组数据13202神经网络的训练次数会显著影响学习效率和收敛速度,学习次数过多则需要较长的训练时间。对于一些复杂的问题,BP算法可能要进行十几个小时或者更长时间的训练。我们对训练次数选取进行试验,,隐含层数8,学习率lr=0.05,动量因子mc=0.9,设定的期望误差1e-3,训练函数traingdm,分别取训练次数为50、100、200、500、1000对拟合误差进行比较,其结果如表1.1所示。表1.1不同训练次数下的网络性能对比表训练次数训练时间(s)均方误差5004.53100522.83200422.72500(451收敛)1510.94110002220.953图1.1训练次数为500时的训练结果图图1.3训练次数为1000时的训练结果图图1.2训练次数为500时的迭代图图1.4训练次数为1000时的迭代图由不不不不不不可知,前三组试验由于学习次数过小导致,网络误差没有收敛到最小值。由图4可知当训练次数为500时网络收敛于451,且均方误差较小,而学习次数取10000时网络均方差反而较大,这可能是由于过拟合或陷入局部最小值造成的,过拟合、最优拟合、欠拟合曲线示意图如图7所示。因此可选取学习次数为500。图1.5过拟合、最优拟合、欠拟合曲线示意图1.2.2网络隐含层的层数的选择网络隐含层的层数和神经元数的选择尚无理论上的指导,一般根据经验或者通过反复实验确定。隐层神经元数的选择是一个十分复杂的问题,隐层神经元的最佳个数与问题的要求、输入层与输出层神经元的数量、训练样本的数量等都有直接关系。事实上隐层神经元太少不可能将网络训练出来,但太多又使学习时间过长,使网络不“不强壮”,泛化能力下降,即不能识别以前没有直接接收到的样本,容错性差。我们做多组尝试,学习代数500,学习率lr=0.05,动量因子mc=0.9,设定期望误差1e-5,训练函数为traingdm的基础上分别选神经网络模型的各层节点数分别为:输入层1个;隐层分别取3个--12个;输出层4个。表1.2不同隐含层数下的网络性能对比表隐层数目训练时间(s)均方误差340.9944 30.887540.914630.967740.831830.523950.4741040.2561150.6081240.413图1.6隐含层数为10的网络训练曲线由表2可知隐含层为8时收敛时间较小且误差较小,因此可选取网络层数为10最合适。1.2.3学习率α和动量因子η的选择在网络参数中,学习率α和动量因子η是很重要的参数,它们的取值直接影响到网络的性能,主要是收敛速度。针对具体的网络结构模型和学习样本,都存在一个最佳的学习率α和动量因子η,它们的取值范围一般0~1之间。学习率α一般由经验选择。我们在以学习代数500,,动量因子mc=0.9,设定的期望误差1e-5,训练函数为traingdm的情况下进行分别选择学习率lr为0.005,0.05,0.5进行三组实验。图1.7学习率为Lr=0.005梯度曲线图1.8学习率为Lr=0.05梯度曲线图1.9学习率为Lr=0.5梯度曲线由图1.7、图1.8和图1.9可知看出越接近极小值,由于梯度变化值逐渐趋于零,算法的收敛就越来越慢。为提高学习速度,应采用大的α,但α太大却可能导致在稳定点附近振荡,乃至不收敛。因此可选择学习率lr为0.05。我们在样本数80(pf20,tf20),学习代数5000,学习率lr=0.05,设定的期望误差1e-3,训练函数traingdm下,内通改变η可得均方误差如表3表3不同η下的网络性能对比表η时间(s)均方误差0.432800.6311.10.940.42由表3可知η=0.9时均方误差较小,因此确定η=0.9,所以网络模型参数为:α=0.05,η=0.9。1.2.4网络建立由1.2.1到1.2.3三个部分,可以确定,学习次数为500,网络隐含层数为10,网络模型参数:α=0.05,η=0.9。可在MATLAB脚本环境下敲入代码,运行7s后完成,如图1.12和图1.13。图1.11MATLAB神经网络模型训练曲线图2.13MATLAB神经网络训练梯度曲线1.2.5MATLAB神经网络拟合GUI工具箱MATLAB®2019a提供了方便的神经网络拟合GUI工具箱,期使用步骤如下:单击拟合app图标进入工具箱界面;选用NeuralNetFitting;选择训练输入P和目标值T;选择隐含层数;选择训练算法。使用三种MATLAB自带的无需参数输入的训练算法的建模结果如下:列文伯格-马夸尔特算法(Levenberg-Marquardt):列文伯格-马夸尔特算法是最有效的训练算法,不需要提供参数。LM算法是牛顿法和梯度下降算法相结合的一种混合算法。梯度下降算法保证收敛到局部极小值,但比较缓慢;牛顿法很快,但很容易不收敛。通过使用阻尼因子在两者间插值,生成了LM算

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论