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。

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。