多层前馈神经网络隐单元数目上界的证明

研究前馈神经网络隐单元数目的上界和如何利用样本集的特性减少所需的隐单元个数 .利用 Sigmoid函数的两端极限特性 ,使每个隐单元表示 1～ 2个样本 .在样本集具有局部单调性的情况下 ,可以用有 (p- 1) / 2个隐单元的 3层前馈神经网络以任意小的误差表示 p个目标值 .对一般的样本集 ,所需的隐单元数为 (p- 1) / 2～ (p- 1)

BP神经网络隐层单元数的确定方法及实例

针对BP神经网络隐层单元数不易确定的问题,提出一种在传统的经验公式基础上快速确定隐层单元数的方法。该方法首先借助经验公式确定隐层单元数的取值范围,然后将其扩大,在这个扩大的范围内寻找最优值。以BP神经网络预测交通流量为例,解释说明了具体的步骤,以及网络模型的隐层结构对模型仿真精度的影响。结果表明,采用该方法可快速决定隐层单元数,在实例中采用16个隐层单元数为最佳。

BP神经网络隐层单元数确定方法

BP神经网络是故障诊断领域运用最为广泛的一种方法。针对BP神经网络隐含层单元数难以确定的问题,对现有以经验公式确定隐层单元数的方法进行对比分析,提出一种在经验公式基础上改进的方法,并通过风力发电机齿轮箱故障诊断实例验证。结果表明,该方法能有效地加快寻找最优隐层单元数的速度。

BP算法应用中的关键问题

分析了学习方法的选择、隐层数和隐层单元、学习步长的选择、避免局部最小的方法、学习样本的选择、激活函数的选择等使用BP算法时应考虑的问题,并将BP网络应用于化学反应催化模型。