如发现有乱码，请点击下面链接浏览原文
正文摘录:

梅冬芳：采用调整函数优化梯度的BP算法改进妊士s曲3000煳m010。200M40050。学习步长图1采用AF—BP算法的单隐层网络总迭代次数01002∞Ⅻ¨500学_习步K图2采用AF—BP算法的单隐层网络误差j型∞∞璐400。叫＜30∞爨01002003。0400∞0学爿步K图3采用AF一。BP算法的单隐层网络输入层权值。#习步K图4采用AF—BP算法的单隐层网络隐层权值3.1.24一元校验问题(1)算法比较结果与文献[3]的改进算法比较，在相同参数设置下，系数A—l，新导数：7’(z)一_厂(，(z))。结果显示，本算法在网络迭代次数及收敛速度方面有明显改进。对比结果如表l所示。]04表1算法比较结果(2)单隐层网络求解结果采用本改进方法，4一元校验码问题亦可用单隐层网络实现。调整系数口一O.9，学习步长叩一O.9，误差P(n)≤O.001，AF系数A一1，新导数：／’(z)一，(厂(z))。以随机数为初始权值，当网络收敛时，总迭代次数为42{1，9，2，3，3，2，2，2，2，l，2，1，3，3，3，3}。最终权值：{W，一6257.743594，W2—6257.743594，W。一O.008847，W。一O.009986，V一4.490353}3.2非线性逼近功能本实验的目的是为了说明本算法的函数逼近能力。与文献[4]的TAF—BP算法比较，采用菲根鲍姆(Feigenloaum)函数(T(f+1)一)，·T(f)(1一z(￡)))评价算法的非线性逼近能力。选用与文献[4]相同的参数：y一4，逼近长度，、『一200，相对误差为：NNRMSE一10.1g『∑(o，一∥／(∑即]Lf；lr=lJ其中，o，和Z分别是f时逼近函数的期望值和网络输出。本实验系数：调整系数a—O.995，学习步长叩一10。实验中采用了2种形式的调整函数。(1)AF系数A=O.9，即新导数-厂’(z)一O.9·厂(_厂(T))，结果如图5所示。图5AF—BP算法与TAF—BP算法的函数逼近性能比较I(2)AF系数A—O.5，新导数为厂’(z)一O.5·-厂(，(z))，结果如图6所示。由函数逼近的两个实验结果可以看出，调整函数及其系数对网络的收敛有显著的影响。因此，寻找最佳的调整函数形式也是很重要的。一一一一一一O0O0O0^0√x日E.j，，.。一伸舶圆翻老∞埘为覃j鞋哩避