资源描述：
《bp模型的原理及其气象应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、●新技术讲座NEWTECHNICALLECTUREBP模型的原理及其气象应用夏建平(兰州中心气象台730020)提要结合气象应用简要介绍人工神经元网络BP模型的原理和方法,对其在气象预测中的应用经验作了评述。关键词BP模型方法气象应用分类号P456.9引言人工神经元网络是模拟生物神经结构和思维过程的计算机系统,80年代以来,该系统在国内外都有了很大发展,成为人工智能研究的重要内容。BP模型是人工神经元网络中比较成功和实用的一种数学模型,主要用于识别事物,气象部门正在引进和试用。本文简要介绍BP模型的基本
2、原理和方法,重点说明该模型的特点和自学习性能,并对其在气象预测中的应用进行评述。图1BP模型的网络1BP模型的基本原理来自下层各个节点的信息,并综合转变为该人工神经元网络有许多算法。1985年,由节点的发送信息,向上传送。后者又成为更上并行分布处理研究小组提出一种反向传播模一层(另一隐层或输出层)各节点的接收信型,简称BP(Back-Propagation)模型。它能息。如此逐层传播,最后到达输出层,该层节模拟生物神经网络识别事物的某些思维过点的发送信息就代表此网络系统的输出。程,在许多领域得到推广应用
3、。在此模型中,同层节点间没有信息交换,1.1模型结构和信息传播而相隔两层节点间为自下而上单向传输,信BP模型由许多神经元节点构成,人工神息量由两节点间的传输系数调节。传输系数经元网络分为输入层、输出层和若干中间隐也称为联结权,简称权。节点内部采用非线性层,每层由若干神经元节点组成(图1)。关系转换接收和发送信息。外界输入的信息分别经输入层各节点进1.2自学习和误差反向传播入网络,并向上传播,首先到达其上一层(隐收稿日期1996—07—28层)每个神经元节点。隐层每个节点都能接收—40—GANSUMETE
4、OROLOGYVol.15No.21997人工神经元网络的自学习也称训练网信息涨落幅度。络,目的是使人工神经元网络具有识别事物利用(1)、(2)式自下而上逐层逐点推算,的能力。BP模型训练网络识别事物的方法是就能得到输出层的输出值。调整节点之间的联结权,使网络输出信息与2.2输出信息的误差需要识别的事物类型一致,从而以输出信息误差是指输出信息对期望值的偏差。输判断事物类型。具体训练采用迭代方式。出层的总误差的计算采用M首先输入一个样本信息,经传播到达输12R=∑(Fi-Ei)(3)2i=1出层,如果输出
5、信息不是期望值,即输出信息式中F和E分别为输出层的节点输出值和有误差,则对遍布网络各处的联结权进行调期望输出值,后者也称训练过程的教师信号,整。然后输入另一个样本信息,按照调整过的M为输出层节点数。联结权在网络中传播,到达输出层时输出信2.3误差反向传播和调整联结权息仍有误差,就再次调整联结权。如此不断输BP模型训练网络、调整联结权采用梯度入样本和调整联结权,直到所有样本的输出下降算法。考虑总误差R对网络中每个权值信息与期望值之差在允许范围内,训练过程的偏导数R/W,若R/W>0,则将W减才结束
6、。小些,反之应将W增大些。其计算式为2BP模型的算法RBP模型的基本算法,包括输入信息正向W=-S(4)W传播和误差反向传播两个过程,训练过程则Wt+1=Wt+W(5)是这两个过程的反复迭代。式中S为经验系数,表示每次调整的相对幅2.1输入信息正向传播度,也称为学习步长;W为权值修正量。利2.1.1接收信息和节点之间的信息传送。模用(5)式可以由第t次训练所用权值Wt,计型规定,两层节点之间传输信息和上层节点算第t+1次训练将采用的权值Wt+1。接收信息的计算采用最后一个问题是如何计算R/
7、W。可分Nui=∑WijFj+i(1)为输出层和非输出层两种情况,计算中还要j=1利用(1)、(2)、(3)式的偏导数式中i、j是上下层节点序号,u是上层节点接ui收到的信息,F是下层节点发送信息,W是=Wij(6)Fj联结权,N为下层节点数,i为阈值。ui=Fj(7)2.1.2节点内部的信息转换。节点接收信息Wij与发送信息之间采用非线性转换,其函数形F=F′(8)u式通常为R1=Fi-Ei(9)F=-u(2)Fi1+e计算R/W是BP算法的核心。为便于式中u为(1)式算得
8、的接收信息,F为该节点理解,下面给出单隐层网络中R/W的具体发送的信息。此式保证接收信息总和不论涨计算式。式中下标i、j、k既代表节点序号又落差别多大,发送的信息都能控制在确定范分别表示上、中、下三层。图2为单隐层网计算围之内。其间的非线性转换,符合生物神经处R/W的有关变量分布示意图。理信息特征。实际计算时可结合具体问题,在2.3.1输出层的R/Wij。将R/Wij展开,(2)式中增加一些系数,调整转换关系和发送《甘肃气象
