《三层网络的BP结构》由会员分享，可在线阅读，更多相关《三层网络的BP结构（2页珍藏版）》请在金锄头文库上搜索。
1、建立一个三层前馈BP网络，输入层米用6个神经元，以上述6个预测因子为输入节点，输出 层用次年最大震级作输出节点, 通过多次比较训练, 最终确定隐层神经元数为 14, 并设定正 切“ S”型函数为隐层传递函数线性函数作为输出层传递函数。另外对学习速率lr、附 加动量因子me、最大循环次数epochs、期望误差最小值goal作如下设置： net.trainParam.lr=0.01;net.trainParam.mc=0.9;net.trainParam.epochs=10000;net.trainParam.goal=1e- 4.选择表2中前9个样本为训练样本集， 米用带动量， 自适应学习速率的
2、梯度下降法训练网络， 网络误差下降速度快 （图3） ， 经过172次学习， 拟合效果非常理想 （图4）。将表 2 中 10、 11、 12 三个样本值作为训练好的 BP 网络的输入， 通过神经网络工具箱的 “ sim”函数进行拟合求得次年最大震级预测值，预测结果见表3。表3预测结果样本编号 次年实际最大震级 预测震级 预测误差10 4.6 4.265 0.33511 4.5 4.328 0.17212 4.2 4.583 0.383： MATLAB图3网络训练误差图Fig.3 The network training error由表 3 可知, 网络对 3个震例进行内检所得到的结果与实际震级较
3、为符合, 震级差均小于0.4, 因此, 本文所建立的网络模型及参数设置应用效果较好。3 结束语引发地震的相关因素很多, 其孕育、产生是一个复杂的非线性地球物理过程, 本文通过多元 线性回归模型建模, 其回归模型不成立, 证明各预测因子与次年最大震级之间确实存在很强 的非线性关系。采用非线性回归方法作分析需要事先给出输入与输出之间的非线性函数关系, 而这个关系正是我们努力寻找且尚未找到的，因此，该方法不可用。BP神经网络可以不受非 线性模型的限制, 通过学习逼近实现任何复杂非线性映射, 在本文地震预测中得到了很好应 用。值得注意的是， 在神经网络的应用过程中， 样本的选取很重要。首先， 样本集要能正确 反映研究对象， 否则， 网络在学习时不收敛或收敛速度很慢， 即使收敛， 识别新样本时也会 出现较大的偏差， 预测结果不可信。其次， 样本集的相关性越好模拟的效果越好， 新样本与 样本集的相关性越好预测的效果也越好。再次， 预测值受样本集期望输出的最大值限制， 如 果预测值超过样本集期望输出的最大值范围， 则要求神经网络具有很强的外推能力， 而这点 不容易做到， 一般而言， 神经网络较擅长内插。
