基于CPA改進的BP神經網絡及其在氣象數(shù)據(jù)中的應用研究.pdf

1、BP(Back Propagation)神經網絡是目前應用最廣泛的神經網絡模型之一。經驗表明，BP神經網絡的性能主要取決于網絡結構的設計。BP神經網絡在迭代的過程中，可能出現(xiàn)隱含層節(jié)點冗余，從而影響神經網絡的訓練效果。此外，傳統(tǒng)的BP神經網絡采用梯度下降法求解，使得在神經網絡的訓練過程中，容易出現(xiàn)陷入局部最優(yōu)、訓練過程震蕩、收斂速度慢等問題。
　　針對BP網絡目前存在的問題，本文將相關性剪枝算法(Correlation Pruni

2、ngAlgorithm，CPA)和變學習率、附加動量方法結合提出了一種基于CPA改進的BP神經網絡剪枝算法，該算法進一步提高了神經網絡的收斂速度和準確度。此外，本文將提出的算法和粗糙集理論結合，并運用到氣象數(shù)據(jù)修復中。論文主要工作包含如下兩個方面:
　　(1)提出了一種基于CPA改進的BP神經網絡剪枝算法——LMCPA神經網絡。在張等人提出的復合BP神經網絡的基礎之上，引入CPA相關性剪枝算法，在神經網絡迭代的過程中，對冗余節(jié)點進

3、行刪減，當隱含層兩個隱含層節(jié)點的輸出對所有樣本具有較大的相關性時，將它們合并成一個節(jié)點，并對權值和閾值進行調整。為了驗證本文算法的性能，我們將LMCPA算法分別和原始的BP神經網絡、張自敏等人提出的復合BP神經網絡、基于相關性分析的BP神經網絡剪枝算法進行對比。實驗結果表明，本文提出的算法能夠進一步的提高神經網絡的性能。一方面，該算法可以降低了訓練步數(shù)，加快神經網絡的收斂速度;另一方面，其在測試數(shù)據(jù)集上的均方誤差也得到了進一步的優(yōu)化。<

4、br>　　(2)提出了一種氣象數(shù)據(jù)修復算法。在本文提出的LMCPA神經網絡的基礎之上，針對氣象數(shù)據(jù)維數(shù)較高的特點，引入粗糙集作為氣象數(shù)據(jù)約簡工具。首先，使用粗糙集對氣象屬性的重要性進行計算，基于屬性的重要性，約簡重要性較小的屬性，并去掉對應的氣象數(shù)據(jù)?；诩s簡后的數(shù)據(jù)，采用LMCPA神經網絡對氣象數(shù)據(jù)進行修復。實驗表明，結合粗糙集算法，能夠使得LMCPA算法的數(shù)據(jù)修復能力更強，收斂速度更快，且修復后得到的數(shù)據(jù)和專家修復后的數(shù)據(jù)之間的誤差