算法分析
BP人工神经网络算法的探究及其应用
李振陈香香杨文府
(山西省煤炭地质物探测绘院山西晋中030600)
数事执本与或用
摘要：针对数据挖据中的主要分类同题，本文通过引入人工神经网络的主要概况和发展阶段，详细介绍了BP神经网络分类算法概念、分类及实现代码并且应用到现实实例中，实际运行结果表明了该方法的有效性，具有一定的实际应用价值。经网络利用其算法信息分布式处理和并行协同处理的特点来模拟人赔的直观思维方式，可用于对复杂数据的日标权合、模式分类和预测趋势。
关键词数据挖抵分类BP神经网络算法
中图分类号：TP391 1概述
文献标识码：A
随着信息科学和互联网的深人发展，从浩翰的数据库中挖掘有用的信息成为一个迫切需要解决的问题，数据挖掘的研究应用而生，它反复应用挖据算法从观测的数据中提取一个更为简洁的模式.这种模式应该是一种自然的表示形式(如数学公式，自然语言或图表等)。本文针对目前数据挖揭中的研究热点分类问题，探索在数据挖掘中
应用神经网络方法，挖掘大型数据库的分类规则。 2研究现状
人工神经网络从上世纪40年代开始研究迄今，已经历了七十多年的历史。到目前为止，已经出现了几百个神经网络模型和相应的算法，在基础理论、模型与算法，实现与应用诸方面都有了长足的进展。其中误差逆传播(ErrorBack-propagation)算法(简称BP 算法)是一种较为常用的算法。神经网络理论的应用领域主要有分类识别、联想记忆、聚类分析和压缩、结构序列的产生及网络训练
3BP神经网络
3.1概念
BP(Back Propagation)神经网络作为典型实用的人工神经网络算法，以神经元为基本结构，由输入层、隐藏层和输出层三部分组成，呈阶层分布。中间层又可以扩展为多层，层与层之间由各个神经元进行全连接，面每层各神经元之间无连接。每个神经元输人有多个连接通路且只有一个输出，每个连接通路对应一个权值系数(Weight)，神经网络的学习与训练是通过网络权值和阔值的调节来实现的[3)
3.2算法的分析
BP神经网络算法作为一种典型的有监督学习的算法，它的学习过程由正向传播和逆向传播组成，在正向传播过程中，输人信息从输人层经过隐藏单元层进行逐层处理，并传向输出层，每一层神经元的状态只影响下一层的神经元状态。若在输出层不能得到预期的结果，则会转人反向传播，将误差信号沿着原来的连接通路返回。这
表4-1各样本树的指标属性值
编号
根系长 1.78
2 3 4
6 8
1.96 1.86 1.72 2.00 2.00 1.96 1.72
树避高 1.14 1.18 1.20 1.24 1.36 1.28 1.22 1.36
收稿日期：2015-12-07
树种编号
9 松
柏检柏松检检柏
10 12 13 14 15
概系长
树冠高树种
1.64
1.38
柏
1.82 1.90 1.70 1.82 1.82 2.08
1.38 1.38 1.40 1.48 1.54 1.58
柏柏柏柏柏柏
文章编号:1007-9416(2016)02-0132-01
样通过一定的规则，对各层神经元的权重或阅值进行修改和调节，来减小误差信号，然后再转人正向传播过程，通过反复送代，直至网络输出与目标值误差最小。
人工神经网络中，输人层中有Ⅱ个神经网络，隐含层中有M个神经元。输出层神经元的输出，也就是整个网络的输出为Y，网络中输人层的输出分别是x1，x2，"，隐含层各神经元的输入分别是：
, w,o, +e,
其中，W,为隐含层神经元i与输人神经元的连接权重，e,为隐
含层神经值，激励函数O，=f(l)去单极性的sigmoid函数。 4应用实例分析
现有松树、柏树两类树种类型，在表4一1中给出了15个训练样本，分别从根系长和树冠高两种数据中对这两类树种进行分类。
主要步骤如下：
输人数据有15个，即=1，"，15,j=1，2，对应15个输出。
建模：输人层，隐蕨层，输出层建立神经网络结构(如图1)：
规定目标为：当(1)=0.9时表示属于A类，t(2)=0.1表示属于B
类
设两个权重系数矩阵为：
[w(1,1)w(1,2)
w(1,3)(2,3))
w(2,1)w;(2,2)
W, =[w,(1,I) w,(1,2) w,(I,3)] 其中WG,3)为阔值。
,(1)= w(1,1)O,(1) + w (1,2)O, (2) (1),(2)= w;(2,1)Q, (1)+ w,(2,2)O,(2)6,(2)
为第一次输出，同时作为第二次的输人。
若令a(3) = 1, %(J,3)=0, 则有：
*.下转第135页
(1) o(2)
W
s(1)
W Xi(2)
图1样本网络结构
作者简介：李振(1988一)，男，山东泰安人,硕士研究生，主要从事数据挖据、地理信息数据处理与分析等工作 132