超声波液位计液态介质测量高精度的探讨 三十三

4．4 BP网络

4．4．1确定BP网络的结构

确定了网络层数、每层节点数、传递函数、初始权系数、学习算法等也就确定了BP网络。BP网络模型结构的确定有两条比较重要的指导原则。对于一般的模式识别问题，3层网络可以很好地被解决。3层网络中，隐含层神经元个数n2和输入层神经元个数n1之间有近似关系。

隐含层的神经元个数并不是固定的，更多的是靠经验和试凑，需要经过实际训练的检验来不断调整。

(1)隐层数的确定：

1998年Robert Hecht—Nielson证明了对任何在闭区间内的连续函数，都可以用一个隐层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映照。因此我们从含有一个隐层的网络丌始进行训练。

(2)BP网络常用传递函数：

BP网络的传递函数有多种。Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan—sigmod型传递函数tansig的输入值可取任意值，输出值在一1到+1之问；线性传递函数purelin的输入与输出值可取任意值。BP网络通常有一个或多个隐层，该层中的神经元均采用sigmoid型传递函数，输出层的神经元则采用线性传递函数，整个网络的输出可以取任意值。

只改变传递函数而其余参数均固定，用本章4．2节所述的样本集训练BP网络时发现，传递函数使用tansig函数时要比logsig函数的误差小。于是在以后的训练中隐层传递函数改用tansig函数，输出层传递函数仍选用purelin函数。

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