发明名称 | 一种大数据中面向乱序数据流的反向传播方法 | ||
摘要 | 一种大数据中面向乱序数据流的反向传播方法,针对大数据中的乱序数据流难以获取关联规则的问题,提出了一种动态调整的改进型BP算法IBPDA(ImprovedBackPropagationAlgorithmBasedonDynamicalAdjustment),运用了动态自适应结构调整机制,根据环境要求自适应调整网络训练结构,自动删除无效训练节点,优化迭代训练过程;并在网络学过程中动态调整神经网络三因子,即学指数、动量因子、比例因子,来达到加快学响应速度、增强网络稳定性的目的。仿真结果表明,通过动态自适应调整结构、动态调整三因子的神经网络,能够获得更多的收敛次数,并能有效的提高收敛率,进而提高整体网络性能。 | ||
申请公布号 | CN103559541A | 申请公布日期 | 2014.02.05 |
申请号 | CN201310524206.X | 申请日期 | 2013.10.30 |
申请人 | 南京邮电大学 | 发明人 | 王堃;卓林超;孙雁飞;吴蒙;郭篁 |
分类号 | G06N3/08(2006.01)I | 主分类号 | G06N3/08(2006.01)I |
代理机构 | 南京经纬专利商标代理有限公司 32200 | 代理人 | 叶连生 |
主权项 | 一种大数据中面向乱序数据流的反向传播方法,其特征在于该方法运用神经元动态优化方法,根据环境要求自适应调整网络训练结构,自动删除无效训练节点,优化迭代训练过程;并在网络学习过程中动态调整神经网络三因子,使收敛更稳定,该方法具体步骤如下:输入样本期望输出值、样本输出值和训练样本输入值,神经元节点个数,输出满足条件的样本训练值,步骤1:设定一个学习模式,利用BP网络的无监督模式执行算法;步骤2:初始化各层参数,将权学习指数、动量因子、阈学习指数均默认设为1.5;步骤3:设定学习最大次数以及误差范围,为保证算法精确度,误差范围设为0.001;步骤4:动态修正隐层与输出层的连接权及阈值,并计算各单元误差ε,将所得误差与误差范围进行对比,满足条件则停止学习计算,否则转入步骤5;步骤5:动态调整权学习指数、动量因子、阈学习指数,并继续计算各单元误差;步骤6:将步骤5所得各单元误差与学习停止条件进行比较,当达到预设条件时,学习结束;步骤7:输出输出层的最后训练结果。 | ||
地址 | 210003 江苏省南京市鼓楼区新模范马路66号 |