超声波液位计液态介质测量高精度的探讨 三十四

(3)每层节点数的确定：

使用神经网络的目的是实现温度、湿度到声速的转换，输入层和输出层的节点个数分别为2和1。下面主要介绍隐层节点数量的确定。

对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”(Overfitting)问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能『F确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。

4．4．2误差的选取

在神经网络训练过程中选择均方误差MSE较为合理，原因如下：

(1)标准BP算法中，误差定义为：

每个样本作用时，都对权矩阵进行了一次修改。由于每次权矩阵的修改都没有考虑权值修改后其它样本作用的输出误差是否也减小，因此将导致迭代次数增加。

(2)累计误差BP算法的全局误差定义为：

这种算法是为了减小整个训练集的全局误差，而不针对某一特定样本，因此如果作某种修改能使全局误差减小，并不等于说每一个特定样本的误差也都能同时减小。它不能用来比较P和m不同的网络性能。因为对于同一网络来说，P越大，E也越大；P值相同，Ill越大E也越大。

(3)均方误差MSE：

其中：朋一输出节点的个数，训练样本数目，网络期望输出值，网络实际输出值。均方误差克服了上述两种算法的缺点，所以选用均方误差算法较合理。

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