基于BP算法的充填质量模型.pdf

第 “卷 第期中国矿业大学学报 4 / 4 / 7 3 / 算法引起的变化之和.上次权值变化的 影响可由动量常数来调节6 当学习过程引起总误差的上升超过误差比率 时.则舍弃新的权值.动量常数为 .权值的变化仅 由梯度决定.以避免网络向误差增大方向学习6当 总误差有减小趋势时.动量常数为设定初始值.这 时权值的变化受上次权值变化和梯度项共同影响. 有利于学习收敛6当网络权值进入误差曲面底部的 平坦区时.梯度项接近于 .由于引进了动量项.能 够防止 *学习率自适应调整法 学习率是影响网络收敛速度的一个重要指标6 常规 ;算法中学习率 为定值. 在学习过程中. 当学习率过大时.网络会跳过全局最小点.造成学 习不收敛8当学习率过小时.收敛速度过于缓慢6学 习率自适应调整法有效地解决了上述问题6 学习率自适应调整有很多方法.其中比较简 单有效的方法为 网络的训练步骤为5 *设置初值5 H 6用小的随机数对每层的权值 和阈值赋初值.以保证网络不被大的加权输入饱 和8I 6设置动量常数和学习率.学习率一般取 6 J 6 D 8“ 6设定误差精度和最大循环次数6 *提供网络训练用的学习样本8 K *计算隐层和输出层节点正向传播的输出以 及网络误差8 9 *计算输出层和隐层反向传播的误差变化. 以及利用式网络 输入层的节点数为9个5即料浆浓度 H * . NM抗 压强度 H * 6 由于只要合理选择隐层节点数.一个K层 ; 网络就可以满足一般函数的拟合逼近问题.同时为 了避免学习的复杂性.选用K层 ;网络进行训 练.隐含层节点数暂时设定为9个6隐含层神经元 的传递函数选用S型函数5 T 算法编 程实现充填质量的 ;神经网络模型.并进行训练 学习6根据不断增加隐含层节点个数进行试验训练 学习.结果表明.当节点数为 个时.学习收敛速 度比较快.而且能满足误差精度要求.因而选择隐 7N9 第C期崔 刚5基于 ;算法的充填质量模型 万方数据 含层节点为 “个则网络的拓扑结构为 “ , 4 8 7 - A 4 B ; 1; B B B 7 D ; 4 B 7 8 图“网络学习过程学习率调整情况 6 7 8 ’ “ 9 ;, 4 8 7 D ; 4 B 7 8B 4 C ; 7 D ; 4 B 7 8 表E改进的F G算法网络模型的检验 H I J K LE M L N O P Q O R ST PR L U V T N WXT Y L K Z [ O R SU \ LXT Y O P O L YF GI K S T N O U \ X 序号 塌落度] , - 实际值预测值误差 6 9 - / A , - - BCD ; - 6 9 - 9 - , S3 F ’ . , / 5 9 , - * , / 5 . 9 . 9 5 5 6 . 9 - , S 1X - 9 , 3 / 6 - . 3 , P M P P P C , / 9Z [ \ ] _ ‘ a X 6 - .. 3 9 6 / AF 3 6 . . , 3 /9 O 3 ; 6 F 9 ’ ’ , 3 / JQ 第r期崔 刚基于D E算法的充填质量模型 万方数据