《用bp网络实现双向推理策略研究》由会员分享，可在线阅读，更多相关《用bp网络实现双向推理策略研究（2页珍藏版）》请在金锄头文库上搜索。
1、. 1 9 9 8年 第 3 8 卷 学 学 报 ( 自然 科 学 版) n g h u a Un iv e r s it y ( S c i 乙T xh ) 4 5 / 5 7 第S 2 期 第 1 5 0 - - 1 5 1页 大洲 华of 清翻 吐 用B P网络实现双向推理策略研究 李长军， 杨毅，李达生 中国人民解放军海军潜艇学院，青岛 2 6 6 0 7 1 文 摘利用人工神经网络实现并行 推理可以有效地解决串 行推理中 所存在的冲 突消解间题，本文提出了基于B P网络的神经网络双向推理策略研究与实现，并给 出了B P网络的加权学习效果，说明利用本文方法实现神经网络推理是有效的。 关
2、键词B P网络:机器学习:双向推理 |11|esjes|J.， 在 传统基于 符号的串行推理中，如果多条规则的前 提均与某 一 事实相匹配， 就出现 冲突问题。要消解冲突就会降低推理速度，不消解冲突就会降低推理质量。基于人工神 经网 络的 推理是一 种并行推理， 而上述冲突问 题在网络的并行推理中 是不存在的， 因此， 利用人 工神经网络实现推理可以有效地克服冲突消解问 题， 提高 推理的 速度和质量. 1 对人1 一 神经网络双向 推理策略的描述 1 . 1 正向推理 正向推理是 从原始信息向 相应结论的方向 进行推理，即对最下层网 络的输入 层加载 原始数 据或经编译后的数据矢量x,由 此
3、出 发正向运算， 直到最上 层网 络的 输出层获得 输出矢量D。神经网络的推理过程，实际上就是网络的计算过程，特别是正向推理过程 的意义是非常明确的，即是加权学习后网络各参数己经确定情况下的正向使用过程。 1 . 2 反向推理 反向推理与正向推理相反。由目标出发，为验证结论而寻找其根据。这种推理可用 以向用户解释何以系统得出此种结论，初始条件一旦被设置到神经网络知识库中的某一 知识单元，反向 推理机制将自 动地决定这个初始条件是由 神经网络知识库中己编码的那 些知识单元所推出。 2 B P 网 络和双向 推理策略的实现 2 . 1 符号和数值的互换机制 必须在神经网 络的输入输出端设置符号和数
4、值的互换机制。 符号/ 数值变换、数值 / 符号变换就是 完成这种变换的，具体的编译变 换公式可见参考文献 【1 】。 2 . 2 B P网络的构造 我们之所以选择 B P网络 ( 图 1)，是因为 对于分类智能系统的推理过程，主要通过有导师 学习算法，通过典型事例进行学习。 B P算法是 有导师学习算法它 由于引入了隐含神经元层， 提高了分类和映射能力。本文网络中各层结点的 操作特性可见参考文献 【1】。 输入层隐含层输出层 输入节点 图 l 隐节点输出节点 B P网络模型 李长军， 等: 用R P网络实现双向推理策略研究 2 .3 双向推理过程的实现 2 .3 . 1 正向推理过程实现 将
5、编译后的数据或来自下层子网的输出加载到输入层各节点; 由 x : 二 艺 w ., a ; 计 算 输 入 层 节 点 的 输 凡 由 Y i = 卜1/ ( 1 + e - I 计 算 隐 含 层 节 点 与 输 出 层 节 点 的 活 跃 值 ; 由 值 0 ， 。定 输 出 层 节 点 的 输 出 : d = ， 0 , y ， 全 B ; 其它 00 ; 51。 PI即刊囚 EEEE TTTT 只一n3公户一5 2 . 3 . 2 反向推理过程实现 S T E P 1 检 验假设是否为 输入模式， 若是，继 续; 否则。回 答 “ 不存在” 并中止; S T E P 2 从知识库中 调
6、入与此假设对应的隐 含层节点的 状态变量; S T E P S 从知识库中调入与此假设对应的 输入 层节点的 状态变量; S T E P 4 将 输入层的各种状态与己 知事实相比 较， 判断 所做假设是否成立。 2 . 4 加 权学习 效果 2 . 4 . 1 程序设计优化 使用动态数据结构 * p o i n t e r , s tr u c t 等)对网 络中各神经元 节点信息、 节点之间的 连接信息、 层的 信息 进行类定义。 如:s tr u c t n e u r o n i n t d a t a : ;s t r u c t n e u r o n * n e x t ; ; 朽
7、 ,p e d e f s t r u c t n e u r o n n o d e ;ty p e d e f n o d e * l i n k:二 。 2 . 4 . 2 B P网络和算法优化 比 如， 对于 权值修正来说， 我们使权值的修正量 尽量 沿着总 误差不断减小 的方向进 行，尽快跳出局部极小，加 快收敛过程。即:取动量因子。 为 某一 值，学习率n 在每次 迭 代 后 ， 根 据 总 误 差E 。 二 1 / 2 p ) E E ( t, - o P d特性自 适 应 调 节。 通过改进，可较好地改善神经网 络推理的收敛问题。下面由 图2 给出 两组样本下的 加权学习效果，通过收敛的误差曲线可以看出较好的收敛效果。 f 误 差误 差 学习次数 一 一 入、 学习次数 图2 S P网络学习误差曲线 参 考 文 献 李长军，杨毅，李达生军事指挥决策系统的神经网络模型研究.中国青年计算机研究新进展浙 江大学出版社， 1 9 9 6，7 8 5一7 8 9 焦李成. 胡 守 仁 ， 神经网络系统理论.西安电子科技大学出版社，1 9 9 2 沈清等.神经网络应用技术，国防科技大学出版社.1 9 9 3
