基于人工神經網絡的實驗數據分析處理方法技術

本發明專利技術公開了一種基于人工神經網絡的實驗數據分析處理方法。該方法中，通過讀入一組學習樣本和希望輸出，隨機給定各個網絡節點的連接權值，計算隱層中各個網絡節點的輸入值和輸出值；進一步計算能量誤差函數；不斷修正各個網絡節點的連接權值。在迭代計算輪次達到所設定的值或者計算精度達到所設定的要求的情況下結束迭代過程，保留計算出的各個網絡節點的連接權值，根據該連接權值對輸入的實驗數據進行結果預測。本實驗數據處理方法可以有效解決多種復雜的非線性多輸入和多輸出的數據處理問題，為實驗數據處理、分析和結果預測提供了一個強有力的分析工具。

【技術實現步驟摘要】

本專利技術涉及一種處理實驗數據的方法，尤其涉及一種采用人工神經網絡的算法，對實驗數據進行分析處理和結果預測的方法，屬于數據處理

技術介紹
在科學研究中，經常需要通過實驗來尋找所研究對象的變化規律，并通過對規律 的研究達到各種實用的目的，如提高產量、降低消耗等。最優實驗方案的獲得，必須兼顧實 驗設計方法和數據處理兩方面，兩者是相輔相成、相互依賴、缺一不可的。只有科學的實驗方案，才能用較少的實驗次數，在較短的時間內達到預期的實驗 目標；反之，往往會浪費大量的實驗數據。另一方面，合理的實驗設計只是實驗成功的充分 條件。如果沒有實驗數據的分析計算，就不能對所研究的問題有一個明確的認識，也不可能 從實驗數據中尋找到規律性的信息，所以實驗設計都是與一定的數據處理技術相對應的。 數據處理技術的作用主要體現在如下幾個方面(1)通過誤差分析，可以評判實驗數據的可靠性；(2)確定影響實驗結果的因素主次，從而可以抓住主要矛盾，提高實驗效率；(3)可以確定實驗因素與實驗結果之間存在的近似函數關系，并能對實驗結果進 行預測和優化；(4)實驗因素對實驗結果的影響規律，為控制實驗提供思路；(5)確定最優實驗方案或配方。在科學研究中，人們通常所遇到的數據處理問題大致可分為兩類一類是結構性 問題，如數值計算和方程求解等，對這些問題可以利用馮 諾依曼計算機解決。另一類問題 是非結構性問題，如圖像和語音的識別、專家決策等，對這些問題如果采用馮·諾依曼計算 機來處理是很困難的，甚至是不可能的。根據研究，這些非結構性問題大多是復雜的非線性 問題，采用一般的數據處理和分析方法難以勝任，但利用人工神經網絡系統的有關算法往 往能夠予以解決。人工神經網絡系統(Artificial Neural Network System)是由大量簡單的基本 單元-網絡節點(神經元)相互連接而成的具有自適應性的非線性動態分布式網絡系統。 它是以對大腦的生理研究成果為基礎，根據生物學中神經網絡的基本原理而建立的，其目 的在于模擬大腦的某些機理與機制，實現某個方面的功能。雖然每個神經元的結構和功能 十分簡單，但是由大量的神經元組合而成的整個系統卻非常復雜，功能非常強大。人工神經網絡系統具有以下的特性1.采用并行分布處理方式。由大量神經元相互連接而成的人工神經網絡系統可以 提供并行式處理和并行分布信息存儲的能力；2.具有很強的自適應性和自組織性。通過強有力的學習算法和自組織規則，使系 統可以在不斷變化的環境中對提出的每一要求進行自適應；3.采用非線性處理方式。具有執行非線性任務和去除噪音干擾的能力，使系統能夠很好地用于模式識別和預測。人工神經網絡系統是一個能夠學習的系統。它能夠通過已知數據的試驗運用來學習和歸納總結，自適應不知道或不確定的系統，從而充分逼近任意復雜的非線性關系。因 此，許多復雜的運算、模式識別和過程控制等任務都可以利用人工神經網絡系統來完成。但 是，就專利技術人所知，目前尚沒有將人工神經網絡系統應用于實驗數據處理的成熟解決方案。
技術實現思路
本專利技術所要解決的技術問題在于提供一種基于人工神經網絡的實驗數據分析處 理方法。該實驗數據處理方法不但可以處理一些常規的線性問題，還可以處理一些較為復 雜的非線性問題。為實現上述的專利技術目的，本專利技術采用下述的技術方案一種，所述人工神經網絡具有三層網 絡結構，其中第一層為輸入層，第二層為隱層，第三層為輸出層，每層中均包含多個網絡節 點，隱層中的每個網絡節點分別與輸入層和輸出層中的網絡節點相連接，其特征在于包括 如下的步驟(1)設定人工神經網絡中每層的網絡節點數目和學習樣本數目；(2)對輸入的實驗數據進行歸一化處理；(3)讀入一組學習樣本和希望輸出，隨機給定各個網絡節點的連接權值，計算隱層 中各個網絡節點的輸入值和輸出值；(4)計算輸出層中各個網絡節點的輸出值；(5)計算整個人工神經網絡的輸出與實測結果的能量誤差函數；(6)修正各個網絡節點的連接權值通過連續迭代的方式計算連接權值的增量， 使其沿著能量誤差函數隨連接權值變化的負梯度方向不斷修正，在迭代過程中計算全部樣 本的總能量誤差函數；(7)如果迭代計算輪次達到所設定的值或者計算精度達到所設定的要求，則結束 迭代過程，保留計算出的各個網絡節點的連接權值；(8)根據步驟(7)獲得的連接權值對輸入的實驗數據進行結果預測。其中，在所述步驟(3)中，隱層網絡節點上的激發函數為Sigmoid函數或反正切函數。所述步驟(4)中，計算輸出層中各個網絡節點的輸出值時，不考慮隱層上各個網 絡節點的閾值。本專利技術所提供的實驗數據分析處理方法創造性地采用了人工神經網絡中的多種 算法，可以有效解決多種復雜的非線性多輸入和多輸出的數據處理問題，為實驗數據處理、 分析和結果預測提供了一個強有力的分析工具。附圖說明下面結合附圖和具體實施方式對本專利技術作進一步的說明。圖1是本專利技術所采用的具有三層結構的人工神經網絡的系統示意圖；圖2是本實驗數據分析處理方法所采用的BP算法的流程框圖3是本實驗數據分析處理方法在學習訓練過程中的輸出結果和誤差的示例圖；圖4是本實驗數據分析處理方法所實現的數據預測與實測結果的比較結果示例 圖。具體實施例方式根據人工神經網絡結構模型的不同，一般可以將其分為兩大類 前向(Feed Forward)型人工神經網絡和反饋(Feed Back)型人工神經網絡。前者又分為單層前向模 型、多層前向模型、多層前向反傳(Multi-LayerFeed Forward Back Propagation)模型等。 后者又分為Hopfield神經網絡系統(HNNS)、波爾茲曼(Boltzmarm)機等。目前，使用最為 廣泛的就是采用多層前向反傳模型的人工神經網絡。本專利技術人經過反復研究，認為誤差反向傳播(Back Propagation)算法比較適合于 進行實驗數據的分析處理。誤差反向傳播算法簡稱為BP算法，屬于網絡連接權值學習算 法中的一種，其基本思想是根據所提供的數據樣本的希望輸出值與實際輸出值之間的平方 差，利用梯度下降法，從最后一層(輸出層)開始，逐層反向修正各個神經元的連接權值。每 個修正過程分為兩個階段前向傳播階段和反向傳播階段。當兩次計算的能量差達到所設 定的要求時停止計算。利用這些計算出的網絡節點(神經元)的連接權值，即可求出預測 值?；谏鲜龅腂P算法，本實驗數據處理方法采用如圖1所示的多層前向反傳的人 工神經網絡系統。該人工神經網絡系統具有三層網絡結構，每層中均包含有多個網絡節點 (神經元)。其中第一層為輸入層，用于輸入每個實驗的因素；第三層為輸出層，用于輸入每 個實驗的測試結果；而第二層為隱層，每個隱層中的網絡節點分別與輸入層和輸出層中的 網絡節點相連接。該人工神經網絡系統通過對大量實驗數據的學習可以在輸入和輸出之間 建立起一個非線性的數學映射關系，并以此為基礎對相應的實驗數據進行分析、處理，對實 驗結果進行預測。圖1所示的人工神經網絡系統采用BP (Back Propagation)算法及其改進算法計 算各個網絡節點之間的連接權值，在輸入層和輸出層之間建立非線性映射關系。首先假設人工神經網絡的輸入層中有η個節點，隱層中有m個節點，輸出層中有r 個節點；整個網絡的輸入為Xi本文檔來自技高網...

【技術保護點】
一種基于人工神經網絡的實驗數據分析處理方法，所述人工神經網絡具有三層網絡結構，其中第一層為輸入層，第二層為隱層，第三層為輸出層，每層中均包含多個網絡節點，隱層中的每個網絡節點分別與輸入層和輸出層中的網絡節點相連接，其特征在于包括如下的步驟：（１）設定人工神經網絡中每層的網絡節點數目和學習樣本數目；（２）對輸入的實驗數據進行歸一化處理；（３）讀入一組學習樣本和希望輸出，隨機給定各個網絡節點的連接權值，計算隱層中各個網絡節點的輸入值和輸出值；（４）計算輸出層中各個網絡節點的輸出值；（５）計算整個人工神經網絡的輸出與實測結果的能量誤差函數；（６）修正各個網絡節點的連接權值：通過連續迭代的方式計算連接權值的增量，使其沿著能量誤差函數隨連接權值變化的負梯度方向不斷修正，在迭代過程中計算全部樣本的總能量誤差函數；（７）如果迭代計算輪次達到所設定的值或者計算精度達到所設定的要求，則結束迭代過程，保留計算出的各個網絡節點的連接權值；（８）根據步驟（７）獲得的連接權值對輸入的實驗數據進行結果預測。

【技術特征摘要】

【專利技術屬性】
技術研發人員：黃小葳，
申請(專利權)人：北京聯合大學生物化學工程學院，
類型：發明
國別省市：11[中國|北京]