#初始值的影響本文建立BP神經(jīng)網(wǎng)絡(luò)模型時用的是newff()函數(shù)，由于newff()的隨意性，所以基本上每一次的訓練結(jié)果都是不同的。前饋型神經(jīng)網(wǎng)絡(luò)在訓練之前必須要對權(quán)值和閾值進行初始化，newff()可以自動完成這一過程，但是，權(quán)值和閾值的初始化時隨機的，這里就不詳細研究了。訓練函數(shù)的影響從上文所給的結(jié)果圖可以看出，訓練函數(shù)對模型訓練的影響是顯著的，網(wǎng)絡(luò)訓練方法分別用了梯度下降法、有動量的梯度下降法和有自適應(yīng)lr的梯度下降法，可以看到用梯度下降法要訓練24961步才能達到要求的訓練精度，而使用有動量的梯度下降法和有自適應(yīng)lr的梯度下降法分別只需要11199步和830步。大幅度的縮減了訓練次數(shù)，但得到的訓練過的模型一樣精準。穩(wěn)定性BP神經(jīng)網(wǎng)絡(luò)模型有一下幾點不足：首先，由于學習速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長的訓練時間。對于一些復(fù)雜問題，BP算法需要的訓練時間可能非常長，這主要是由于學習速率太小造成的，可采用變化的學習速率或自適應(yīng)的學習速率加以改進。其次，BP算法可以使權(quán)值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產(chǎn)生一個局部最小值。對于這個問題，可以采用附加動量法來解決。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學習的負擔。最后，網(wǎng)絡(luò)的學習和記憶具有不穩(wěn)定性。也就是說，如果增加了學習樣本，訓練好的網(wǎng)絡(luò)就需要從頭開始訓練，對于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測、分類或聚類做的比較好的保存。泛化能力BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力很弱，而且學習和記憶具有不穩(wěn)定性，所以在實際的應(yīng)用中，原始的BP算法很難勝任。本文最后給出徑向基函數(shù)網(wǎng)絡(luò)的仿真結(jié)果及源代碼，并與BP神經(jīng)網(wǎng)絡(luò)模型進行比較。徑向基函數(shù)網(wǎng)絡(luò)的仿真matlab源代碼如下：clearclcx=[];%輸入y=[];%輸出p=x';t=y';net=newrb(p,t);Y=sim(net,p);figure(1)

plot(p,Y,':og');holdonplot(p,t,'-*');legend('預(yù)測輸出','期望輸出')title('徑向基函數(shù)網(wǎng)絡(luò)輸出','fontsize',12)ylabel('函數(shù)輸出','fontsize',12)xlabel('樣本','fontsize',12)error=Y-t;figure(2)plot(error,'-*')title('徑向基函數(shù)網(wǎng)絡(luò)預(yù)測誤差','fontsize',12)ylabel('誤差','fontsize',12)xlabel('樣本','fontsize',12)結(jié)果如下圖所示：8X18X15徑向基函數(shù)網(wǎng)絡(luò)預(yù)測輸出出輸數(shù)函4出輸數(shù)函40本02樣預(yù)測輸出—預(yù)測輸出—期望輸出徑向基函數(shù)網(wǎng)絡(luò)預(yù)測誤差21.510-0.5-1差J52/曲-1.5024681012樣本從上圖可以看出用newrb()函數(shù)建立徑向基函數(shù)網(wǎng)絡(luò)模型進行仿真也得到了很好的結(jié)果，并且該模型比BP21.510-0.5-1差J52/