超声波液位计液态介质测量高精度的探讨 三十二

(2)自适应调整学习率

标准BP算法收敛速度缓慢的一个重要原因是学习率选择不当，学习率选得太小，收敛太慢；学习率选得太大，则有可能修正过头，导致振荡甚至发散。

调整的基本指导思想是：在学习收敛的情况下，增大rl，以缩短学习时问；当11偏大致使不能收敛时，要及时减小rl，直到收敛为止。

(3)动量一自适应学习速率调整算法

采用动量法时，BP算法可以找到更优的解；采用自适应学习速率法时，BP算法可以缩短训练时间。将以上两种方法结合起来，就得到动量一自适应学习速率调整算法。

(4)L—M学习规则

L—M(Levenberg—Marquardt)算法比前述几种使用梯度下降法的BP算法要快得多，对于复杂问题，这种方法需要相当大的存储空间

综合考虑，采用L—M学习规则和动量法分别作为神经网络的训练函数。

4．3 BP神经网络的训练策略及结果

本文借助于blATLAB神经网络工具箱来实现多层前馈BP网络(Multi-layerfeed-forward backpropagation network)的温度、湿度到声速的转换，免去了许多编写计算机程序的烦恼。神经网络的实际输出值与输入值以及各权值和阈值有关，为了使实际输出值与网络期望输出值相吻合，可用含有一定数量学习样本的样本集和相应期望输出值的集合来训练网络。训练时使用实测样本数据。

可以取小罐的沥青，不断的加热，在相对容易的实验条件下测得样本。另外，目前尚未找到较好的网络构造方法。确定神经网络的结构和权系数来描述给定的映射或逼近一个未知的映射，只能通过学习方式得到满足要求的网络模型。神经网络的学习可以理解为：对确定的网络结构，寻找一组满足要求的权系数，使给定的误差函数最小。设计多层前馈网络时，主要侧重试验、探讨多种模型方案，在实验中改进，直到选取一个满意方案为止。

方案可按下列步骤进行：对任何实际问题先都只选用一个隐层；使用很少的隐层节点数：不断增加隐层节点数，直到获得满意性能为止；否则再采用两个隐层重复上述过程。

训练过程实际上是根据目标值与网络输出值之间误差的大小反复调整权值和阈值，直到此误差达到预定值为止。

详情请浏览公司网站的产品中心 http://www.dlysys.com/   超声波液位计