6.2.2.1 BP神经元模型和网络结构
基本的BP神经元模型如图6-4所示，它具有R个输入，每个输入都通过一个适当的权值w与下一层相连，网络输出可表示成[181]：
a=f(w·p+b)
(6-1)
式中 p——输入信号;
w——神经元的权值;
b——阈值;
f——激活函数;
a——神经元的输出。
BP网络中隐层神经元的传递函数通常用Log-sigmoid型函数Logsig()、Tan-sigmoid型函数Tansig() 以及纯线性函数Purelin()。其传递函数如图6-5所示。如果BP网络的最后一层是Sigmoid型神经元，那么整个网络的输出就限制在一个较小的范围内; 如果BP网络的最后一层是Purelin型线性神经元，那么整个网络的输出可以取任意值。
图6-4 BP神经元
图6-5 神经元传递函数
BP网络结构 ...... （共4190字） [阅读本文]>>
水环境系统智能化软测量与控制水环境系统软测量的基本思想是将系统建模理论与生产工艺过程知识有机结合起来，应用计算机软件技术，对水环境系统中一些难于在线测量或不能测量的重要变量 (称之为主导变量)，如出水BOD、COD等，通过选择另
水环境系统智能化软测量与控制软测量的基本原理是把系统辨识和控制系统建模理论与生产工艺过程知识结合起来，根据某种最优规则，选择一组既与主导变量有密切联系又易检测的变量，即二次变量，通过构造某种以二次变量为输入、主导变量为输出的数学
水环境系统智能化软测量与控制过程神经元的输入和连接权值均可为一个时间变化过程，并在传统神经元空间聚合运算的基础上，增加了一个时间聚合算子，使过程神经元的聚合运算和激励作用能同时反映信号的空间总和效应和时间总和效应。过程神经元由加
水环境系统智能化软测量与控制过程神经元网络是由若干个过程神经元和一般非时变神经元按照一定的拓扑结构组成的人工神经元系统。类似于传统神经元网络，过程神经元网络也可以按神经元之间的连接方式分为前向型过程神经元网络和反馈型过程神经元网
水环境系统智能化软测量与控制过程神经元网络的学习算法目前国内只有何新贵院士、许少华博士提出了几种方法[23]。主要有基于梯度下降的学习算法，该算法借鉴了传统的BP算法[111-112]; 基于函数正交基展开的学习算法，在输入空间
上一篇