3.8 神经网络训练步骤
3.训练与测试
最后一步是利用获取的训练样本对网络进行反复训练 ,直至得到合适的映射结果。这里应注意的是,并非训练 的次数越多,结果就越能正确反映输入输出的映射关系。 这是由于所收集到的样本数据都包含有测量噪声,训练次 数过多,网络将噪声也复制了下来,反而影响了它的泛化 能力。 在训练过程中,网络初始权值的选择可采用随机法产 生。为避免产生局部极值,可选取多组初始权值,然后通 过检验测试误差来选用一组较为理想的初始权值。
Байду номын сангаас
2.选择网络类型与结构
神经网络的类型很多,需要根据任务的性质和要求来 选择合适的网络类型。如对函数估计问题,可选用BP网络 。当然也可以设计一个新的网络类型,来满足特定任务的 需要,但这一般比较困难。通常是从已有的网络类型中选 择一种比较简单而又满足要求的网络。 网络类型确定后,就要确定网络的结构及参数。以BP 网络为例,就是要确定网络的层数、每层的节点数、节点 激活函数、初始权值、学习算法等。如前所述,这些选项 有一定的指导原则,但更多的是靠经验和试凑。 对具体问题,若输人输出确定后,则网络的输入层和 输出层节点数即可确定。关于隐层及其节点数的选择比较 复杂。一般原则是:在能正确反映输入输出关系的基础上 ,应选用较少的隐层节点数,以使网络结构尽量简单。
2.6神经网络训练步骤
1.获取训练样本集
获取训练样本集合是训练神经网络的第一步,也是十 分重要和关键的一步。它包括训练数据的收集、分析、选 择和预处理等。首先要在大量的测量数据中确定出最主要 的输人模式。即对测量数据进行相关性分析,找出其中最 主要的量作为输人。在确定了主要输人量后,要对其进行 预处理,将数据变化到一定的范围,如[−1,1] 或[0,1]等 ,并剔除野点,同时还可以检验其是否存在周期性、固定 变化趋势或其它关系。对数据的预处理分析的目的是使得 到的数据便于神经网络学习和训练。