神经网络模型的参数识别与应用案例分析

1、神经网络参数如何确定

神经网络各个网络参数设定原则：

①、神经元单元 网络结构中的基本单元数目反映了系统的独立变量数量（自变量），而输出端的单元数目则直接对应系统的各类目标数量（因变量）。根据经验设定隐含层数量通常取值为输入端单元数量的四分之三。假设输入端配置了7个神经元，则对应系统单一的目标类别；则可初步设定隐含层数量为5，则构成一个典型的三层前向人工神经网络（BP型）模型：即由7-5-1三层结构构成的BP型人工神经网络体系框架。在模型训练过程中需要分别验证不同配置下的模型性能（如4、5、6个隐含神经元），最终确定出最合理的网络结构参数设置方案。
BP算法是一种典型的监督学习算法，在模式识别和数据分类中得到了广泛应用。

②、确定初始权值的过程 初始权值是一组非全同的数值集合。研究表明,即使存在一组非全同且能更优化系统误差的权值,若所设定的Wji初值全部相同,它们在整个训练过程中将始终保持一致。因此,在程序设计中,我们采用了随机初始化算法,通过生成-0.5到+0.5之间的随机数来设置神经网络模型中的初始权重参数。

③、最小训练速率 在经典的前馈神经网络（BP算法）中，默