应用BP神经网络的光谱测温与仿真

　　1　引　言

　　人工神经网络(artificial neural networks,ANN)简单而言,它是一个数学模型,既可用电子线路实现,也可以用计算机程序来模拟,是人工智能的一种实现方法。神经网络的类型多种多样,它们是从不同角度对生物神经系统不同层次的抽象和模拟,从功能特性和学习特性来分,典型的神经网络模型主要有感知器、线性神经网络、BP神经网络、径向基函数神经网络、自组织映射神经网络和反馈网络等。

　　BP神经网络是基于误差反向传播算法的多层前向神经网络,已经成为目前最为广泛应用的神经网络学习算法,据统计有近90%的神经网络应用是基于BP网络的。BP网络的神经元采用的传递函数通常是Sigmoid型可微函数,所以可以用来实现输入与输出之间的任意非线性映射,这使得它在函数逼近、模式识别、数据压缩等领域有着广泛的应用。

　　本文将采用BP神经网络处理多光谱测温数据。

　　2　BP网络基本原理

　　BP模型把一组样本的输入输出问题变为非线性的优化问题,使用了优化中最普遍的梯度下降法,用迭代运算求解权值对应于学习记忆的调整问题,加入隐节点使优化问题的可调参数增加,从而得到更精确的解。

　　BP神经网络克服了感知器网络和线性神经网络的局限性,可以实现任意线性或非线性函数映射。然而,由于BP神经网络是基于梯度下降的

误差反向传播算法进行学习的,所以网络的训练速度很慢,而且容易陷入局部最小点,尽管采用了一些改进的快速学习算法可以解决一些实际问题,但是在网络的设计过程中往往要经过反复的试凑和训练,无法严格保证每次训练时BP算法的收敛性和全局最优性。还有网络隐节点的个数选取也没有理论上的指导,只能根据经验和多次试验来选取[1]。

　　网络是靠学习来记住问题应有的模式,在训练网络时,训练数据应该包括问题的所有模式,而且所有的数据应尽可能的相互独立而没有相互关系。

　　2. 1　输入数据的设计

　　网络的训练时间与网络数据的多少有关,要减少时间,就必须尽可能采用少的训练数据组。网络的训练数据必须满足两个条件。首先,训练数据组由一个个训练样本组成,一个训练样本是一组输入输出数据。将训练数据组尽可能分组,每种趋向于一种类型,而且训练数据组必须包含所有应有的模式。其次,在每个类型中必须考虑随机噪声的影响。

　　2. 2　输入数据的准备

　　BP神经网络的输入数据应归一化到-1~1之间。实际上,只要在某一范围的连续值输入,对神经网络都是可行的。可以归一化所有数据,也可以归一化某通道的数据,但是必须保证输入网络的训练样本数据和检验数据必须以同样的比例来进行转换。