电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

神经网络的Levenberg-Marquardt算法研究

神经网络的Levenberg-Marquardt算法研究_第1页
1/8
神经网络的Levenberg-Marquardt算法研究_第2页
2/8
神经网络的Levenberg-Marquardt算法研究_第3页
3/8
神经网络的 Levenberg-Marquardt算法研究摘要:本文主要介绍LM(Levenberg-Marquardt) 神经网络算法, LM算法是梯度下降法和高斯—牛顿法的结合,这种神经网络算法综合了这两种方法的优点,在一定程度上克服了基本的BP网络收敛速度慢和容易陷入局部最小点等问题。对LM算法的计算步骤作了简要的阐述。最后介绍了LM神经网络算法再监督控制上的应用。关键词:神经网络; LM算法;计算步骤;监督控制0 引言神经网络 BP学习算法在理论上具有逼近任意非线性连续映射的能力,在非线性系统的建模及控制领域里有着广泛的应用。然而BP 算法存在一些不足,主要是收敛速度很慢;往往收敛于局部极小点;数值稳定性差,学习率、动量项系数和初始权值等参数难以调整,非线性神经网络学习算法LM可以有效地克服 BP算法所存在的这些缺陷 [1] 。LM算法是高斯—牛顿法和最速下降法的结合,具有高斯—牛顿法的局部收敛性和梯度下降法的全局特性。它通过自适应调整阻尼因子来达到收敛特性,具有更高的迭代收敛速度,在很多非线性优化问题中得到了稳定可靠解。在LM算法的计算过程中,初值是一个很重要的因素。若选择的初值X0接近真值时,收敛速度很快且能够得到全局最优解,但如果初值远离真解时,优化结果往往过早的陷入局部最优解从而得到的结果完全背离真解。要解决该问题,一是通过得到大量的原始信息来对真值有一个较准确的估计,但这在实际问题中往往不太可能达到;另外就是选择一种合理的全局最优化算法与其相结合,消除LM算法对初值的依赖且具有很快的收敛速度 [2] 。1 神经网络神经网络具有高度的自学习、自组织和自适应能力,能通过学习和训练获取网络的权值和结构。多层前向神经网络具有理论上可逼近任意非线性连续映射的能力,因而非常适合于非线性系统的建模及控制,是目前使用较多的一种神经网络模型[3] 。BP网络 (Back Propagation Network)称为误差反向传播神经网络,它是一种能朝着满足给定的输入 / 输出关系方向进行自组织的神经网络,其典型的结构图如图 1 所示,由三部分组成:输入层、隐含层、输出层,三部分之间通过各层节点之间的连接权依次前向连接。目前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用 BP网络和它的变化形式,它也是前馈型网络的核心部分,并体现了人工神经网络最精华的部分。BP网络主要应用于函数逼近、模式识别、分类以及数据压缩中。 BP网络用于函数逼近就是用输入矢量和相应的输出矢量训...

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

神经网络的Levenberg-Marquardt算法研究

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部