论文部分内容阅读
人工神经网络由于具有自学习的优点，应用广泛。而其中前向神经网络采用误差反向传播算法，又是应用最为广泛的一种神经网络。但是，BP算法训练速度慢，且容易陷入局部最小。这些都局限了神经网络在植物病害方面的应用。国内还没有神经网络在植物病害预测方面的实际应用。要加深神经网络在植物病害上的应用，首先必须克服算法陷入局部最小的缺点，提高算法的训练速度，提高网络使用测试组时的分类精度。 本论文为了改进参数化前向神经网络PENN的性能，网络各隐含层采用了带2个参数的变形Sigmoid函数，网络各层间采用了快捷连接方法。变形Sigmoid函数的参数由遗传算法配置。为了将改进的参数化前向神经网络应用于植物病害预测，考虑到其输入矢量有时含模糊分量，网络的输入层引入了模糊集合理论，使网络能处理语义变量。模糊输入输出的参数同样由遺传算法配置，构成新的神经网络算法PFNN_FG。PENN_FG的基本结构总体上是一个多层前向神经网络，由一个输入层，一个模糊输入层，两个隐层和一个输出层组成。从输入层到模糊输入层是一个转换过程，变形Sigmoid函数用于各隐含层，输出层采用线性传输函数。神经网络虽然能够很好地预测，但是它不能解释为什么给出的输出是合理的。因此，从训练后的网络抽取规则也是本论文的工作之一。所采用的规則抽取方法简单，所得的规则数量远远少于ANFIS的规则，而且推导了多隐含层的神经网络规則抽取的公式。实验所用的Stuttgart神经网络模拟软件SNNS可模拟多种结构的神经网络及相应的算法。通过改进SNNS的内核，加入了新的学习算法PFNN_FG，新的参数化传输函数Act_Variandt_Sigmoid和模糊π函数Act_Fuzzy_Pi。将PFNN_FG和其他神经网络如前向神经网络，径向基神经网络等用于大豆基准问题进行分析比较，结果是PFNN_FG在精度和训练速度上优于其他网络。将PFNN_FG和前向神经网络用于3组黄瓜霜霉病数据，前者测试组的均方根误差小于后者。博士学位论文参数化模糊遗传神经网络及其在植物病害预测的应用 误差反向传播学习算法之所以速度慢，部分是由于误差信号在网络各层间反向传播时得到衰减。为了解决导致前向神经网络(FNN)中误差反向传播学习算法的误差信号衰减问题，方法之一是依次增大隐含层的误差信号。通过调整变形Sigmoid函数的参数，可以减轻误差信号的衰减问题。在不同的隐含层应用不同参数配置的变形5 igmoid函数，就构成了参数化的前向神经网络(PFNN).PFNN是PFNN一FG的一个基础组成部分.与文献中的PFNN相比，参数减少了一个而不影响其增强误差信号的功能，且能使遗传算法中的染色体串长度减少. 解决误差信号衰减问题的另一方法是快捷连接方式.它使得各层之间信息得到直接的传递，每层都直接与后续层相连，而不是只与紧挨着的一层相连.一个快捷相连的参数化前向神经网络PFNN，如果输出层激励函数为线性函数，则可以看成是由一个无快捷相连的非线性PPNN和一个线性网络的组合。因此，快捷相连的PFNN可以解决非线性和线性问题。本论文中的PFNN为快捷相连的前向神经网络，这也是与文献中的含3个参数的PFNN的改进之处，使网络能处理线性和非线性的问题。各隐含层的激励函数为变形sigmoid函数，输出层激励函数为线性函数.考虑到RPROP的快速学习能力，PFNN一FG中采用这种学习算法。 模糊集合理论用于神经网络的输入层，可使神经网络能够处理语义和数据输入。 多层参数化前向神经网络，(。耐维输入(。维语义输入和，维数据输入)I，一风气年标+l)，.~人n+，)1转换成(劲砌维输入:人一卜:(人，)，…，产，(I‘(3。)王xi(3。十.，，…，戈(3。十m，J·[X.，XZ，…X3。，X(3，十:)，:.，，x(3。，，，1· 这里产值代表相应的语义二集低(L)，中(动和高(功的隶属度函数;I值指模糊输入层的伪耐个输入。语义输入特征毛的二集低(L)，中(劫和高(劝的隶属度值表达式中的参数。jh，c，，c，，心，标，际等三个语义特征沿第j轴的中心和半径由遗传算法配置。中文摘要 在补偿系统的基础上推导出含多隐层的神经网络输出与输入间的表达式为《“，一勇(，‘，*·，)(ol(一，卜噜(f(，一)(‘’攀，f(一(、)). 由于f场)(戈)可以解释为不上右(左)开放的模糊集(依巧‘为正(负)而定)，补是口表示相应的模糊集的饱和度的广义对称总和.输出与输入间的表达式可以解释“如果石由Ta约束，不(即I，J由兀约束”.不翔沪(即动…几以即几口由几.约则O为它们的饱和度的广义对称总和”.此处“约束”指“最小”，的权值为正，反之，为“最大，.界是由厂，代表的模糊集的语义变量.的规则为各隐含节点产生的规则的线性组合.如果相应输出节点为束 手工确定初始参数既费时又不能保证获得最优配置.参数的配1问题可以转化为优化问题，由遗传算法(GA)完成.GA在PFNN一PG中的应用分为三个部分:优化初始权值，模糊输入参数和变形51 gmoid函数的参数. GA通过染色体表示问题的参数。染色体可含一个或多个子串.每个染色体包含问题的一个解决方案.本文中每个染色体包含三个子串，分别代表权值，模糊输入参数和变形5 igoid函数的参数。