论文研究 面向表情识别的AVR和增强LBP特征选择方法.pdf
网络权值如何确定,是人工神经网络研究中的一个重要课题。传统PID神经元网络在该问题的研究上,大多数采用误差回传(BP)的思想,通过迭代训练而估算出该网络的连接权值。针对PID神经元网络,对其进行简单巧妙的转化,可提出一种基于矩阵伪逆表述的直接计算权值的方法,从而避免了冗长的迭代训练过程。计算机仿真结果表明,该权值直接确定方法不仅有更快的学习/计算速度,而且能达到更高的计算精度。张雨浓,杨逸文:PID神经元网络之权值直接确定法研究2009,45(19)191证明完毕。PID神经元网络模型,在使用权值直接确定法的情况下阏,能定理3定义Φγ如上述定理2。图3所示的P神经元够表现出更好的学习能力和系统辨识能力网络之最优权值可直接给定为0=(中Φ)Φy或简记为o=pin(Φ)y,其中pin(Φ)表示输入受激励矩阵Φ的伪逆。0证明根据定理2和权值向量迭代公式(12)0.4w(m+1)=w(m)-y pw(m)-y当网络训练达到稳态时(此时k足够大,使得w(m+1)=w(m):=ho),由公式(12)可得50100200d|Φw-y=014(a)系统输入函数曲线因此公式(14)的ω即为该PID神经元网络的稳态最优权值limw(m)。利用矩阵伪逆,公式(14)的直接解为o=(ΦΦ)Φγ,mr-*oc从而可直接确定上述PID神经元网络的最优权值o如定理三所示。证明完毕4计算机仿真验证对图3所示的PID神经元网络进行计算机仿真验证,并h可采用如下非线性动态目标系统01:200y4=0.4yk+0.54yk2+(uk-)(b)被辨识系统目标输出曲线其中k=2,3,4,5,…,200,yk为k时刻系统输出(且令初值y=图4被辨识目标系统的输入与输出情况y2=0),k为k时刻目标系统输入且有f(u)=n+2-2.5u,并设目表1分别采用标量迭代法(式(11)矩阵向量迭代法(式(12))标系统(也即,待辨识系统)输入函数为:与权值直接确定法(式(13))的仿真结果比较l(k)=0.2sin0.02Th1+0.3si0.01mkc权值方法迭代次数训练时间/s总误差E均差E/m校验均差标量迭代法120000次546×10325.95×102.96×1022.89×102其中k=0,1,2,…,200。如图4所示,样本数据点u作为系统输矩阵向量迭代法1200次649×105.92×102.94×1022.8810入,而对应的数据值yk为目标输出。权值直接确定法一步直接计算1.12×103995×1014.95×1034.66×10341三种权值方法的分别验证4,2仿真结果分析为了考察权值直接确定法与两种迭代学习法的性能区别从图5和表1可知,采用权值直接确定方法,无论在训练分别就三种方法迭代法公式(11)和公式(12)、权值直接确定速度还是计算精度上,都要明显优于迭代学习方法。(1)训练时法公式(13)对上述目标系统进行相应的计算机仿真验证。其间方面:两种迭代学习法的网络训练时间分别为546×10s和中,对于迭代法(公式(11)和公式(12),学习步长n需满足如6.49×109,而权值直接确定法仅需112×103s。(2)计算精度下条件方面:两种迭代学习法训练120000次后的均方误差分别为0<72296×102和2.94×102,而权值直接确定法直接计算得到的均Φ2 Ama opg trace(cp)方误差仅为495×103。网络训练完毕后,也采用了一组未经训图5a)和图5(b)分别对应式(11)与式(12)所得到的网络逼近练的校验样本(改变了输入值u)对该PID神经元网络进行测效果。由图5可知,与权值直接确定法相比(如图5(c)所示),试。如表1最后一列所示,迭代学习法对应的校验均方误差为基于迭代法训练120000次而得到的网络输出与目标输出的2.89×102和2.88×102,而权值直接确定法对应的校验均方误误差仍比较大,而基于矩阵伪逆的权值直接确定方法可以一步差为46×10-3,由此可见该PID神经元网络在使用权值直接确就直接得到与目标输出完全重合的网络输出值。因此可见,该定法的情况下具有更好的学习和逼近能力。目标输出值目标输出值日标出值实际输出值2实际输出值‖-2610-10h100150200-1414100200(a)元素迭代法(式(11)(b)矩阵迭代法(式(12))(c)权值直接确定法(式(13)图5基于三种权值方法(分别对应杈值公式(11)、(12)和(13))的PID神经元网络系统逼近效果(下转197页)
下载地址
用户评论