高宇航

　?。暇┼]電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210003）

        摘要：BP神經(jīng)網(wǎng)絡(luò)目前被廣泛應(yīng)用,但是其收斂速度慢、預(yù)測(cè)精度不高的缺點(diǎn)卻一直被人所詬病，因此，在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中使用附加動(dòng)量項(xiàng)法以及動(dòng)態(tài)學(xué)習(xí)速率法，并以兩者的融合為基礎(chǔ)提出了陡峭因子可調(diào)激活函數(shù)法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)。以非線性函數(shù)擬合為實(shí)例，從收斂速度和預(yù)測(cè)精度兩方面對(duì)比分析兩種方法，實(shí)驗(yàn)證明所提出的改進(jìn)方法明顯提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度以及精度。

　　關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；附加動(dòng)量項(xiàng)；動(dòng)態(tài)學(xué)習(xí)速率；陡峭因子可調(diào)激活函數(shù)

　　中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：ADOI： 10.19358/j.issn.1674-7720.2017.06.017

　　引用格式：高宇航. 一種改善BP神經(jīng)網(wǎng)絡(luò)性能的方法研究［J］.微型機(jī)與應(yīng)用，2017,36（6）：53-57,61.

0引言

　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是一種以信息處理的方式對(duì)人的大腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行模仿、簡(jiǎn)化并簡(jiǎn)單抽象，而非精確逼真地描述的一種非線性動(dòng)態(tài)系統(tǒng)。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種信號(hào)正向傳播、誤差反向傳播的多層前饋網(wǎng)絡(luò)［1］，BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

　　由于BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、實(shí)時(shí)學(xué)習(xí)的特點(diǎn)，目前被廣泛應(yīng)用于模式識(shí)別、自動(dòng)控制、預(yù)測(cè)估計(jì)、信號(hào)處理、專家系統(tǒng)等領(lǐng)域。但因?yàn)槠鋵W(xué)習(xí)規(guī)則是基于梯度下降算法，因此就會(huì)存在著諸如收斂速度較慢、預(yù)測(cè)精度不高、不能到全局最小點(diǎn)(即易陷入局部最小點(diǎn))等問題［2］。所以如何有效地改進(jìn)BP神經(jīng)網(wǎng)絡(luò)成為一個(gè)值得研究的重要問題。研究表明影響B(tài)P神經(jīng)網(wǎng)絡(luò)性能的因素有很多，本文從其中幾個(gè)方面展開來探究改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法。

1BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

　　1.1附加動(dòng)量項(xiàng)方法

　　BP神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)誤差的負(fù)梯度方向修正權(quán)值和閾值，這個(gè)過程中并沒有考慮以前經(jīng)驗(yàn)的積累，從而造成震蕩的趨勢(shì)和陷入局部極小值的可能性［3］。因此本文提出采用附加動(dòng)量項(xiàng)，即在誤差的反向傳播的過程中給當(dāng)前權(quán)值附加一個(gè)與之前一次權(quán)值變化量相關(guān)的值。附加動(dòng)量的權(quán)值公式為：

　　w(n)=w(n－1)+Δw(n)+η［w(n－1)－w(n－2)］(1)

　　式中，w(n)、w(n－1)、w(n－2)分別表示n、n-1、n-2時(shí)刻的權(quán)值，η代表動(dòng)量的學(xué)習(xí)率。

　　1.2動(dòng)態(tài)學(xué)習(xí)速率法

　　傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)采取固定學(xué)習(xí)速率η，取值范圍一般為［0,1］，如果η選擇過小，則會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過長(zhǎng);如果η選擇過大，雖然可以加快學(xué)習(xí)速率，但會(huì)使權(quán)值修改過程產(chǎn)生震蕩現(xiàn)象，以致全局誤差達(dá)不到期望值。

　　為了改進(jìn)以上問題，根據(jù)梯度下降法逼近極小點(diǎn)的路線是鋸齒狀的、越靠近極小點(diǎn)收斂速度越慢的特征，提出動(dòng)態(tài)學(xué)習(xí)速率法來達(dá)到縮短訓(xùn)練時(shí)間的目的。具體步驟如下: 首先設(shè)置初始學(xué)習(xí)速率η，然后檢查修改之后的權(quán)值能否減小誤差，如果可以，則說明學(xué)習(xí)速率設(shè)置較小，需要加大學(xué)習(xí)速率η；如果未能減小誤差，則說明調(diào)整過度，需要降低學(xué)習(xí)速率η。將對(duì)動(dòng)態(tài)學(xué)習(xí)速率η的調(diào)整公式定義如下：

　　η(n+1)=1.04η(n)，Ε(η+1)<Ε(η)

　　0.6η(n)，Ε(η+1)>1.03(η)

　　η(n)，其他情況（2）

　　1.3選擇適當(dāng)?shù)募せ詈瘮?shù)

　　在神經(jīng)網(wǎng)絡(luò)中，一個(gè)神經(jīng)元的激活函數(shù)是用來執(zhí)行復(fù)雜的映射功能，其決定了這個(gè)神經(jīng)元節(jié)點(diǎn)的輸出［4］。FESAURO G指出BP神經(jīng)網(wǎng)絡(luò)的收斂速度受激活函數(shù)直接影響［5］。

　　激活函數(shù)的作用主要體現(xiàn)在為多層神經(jīng)網(wǎng)絡(luò)引入非線性因素［6］。因?yàn)榫€性模型的表達(dá)能力是十分欠缺的，倘若神經(jīng)網(wǎng)絡(luò)中全是線性部件，輸出都是輸入的線性組合，與沒有隱層效果相當(dāng)，這種情況就是最原始的感知機(jī)（Perceptron）。非線性是神經(jīng)網(wǎng)絡(luò)的核心，一旦引入了非線性，BP神經(jīng)網(wǎng)絡(luò)就可以有效地逼近任意連續(xù)函數(shù)，能夠解決線性模型所不能解決的非線性問題［7］。

　　目前常用的激活函數(shù)有Sigmoid函數(shù)和雙曲正切函數(shù)兩種。

　?。?）Sigmoid函數(shù)： Sigmoid函數(shù)的函數(shù)圖形為s形，函數(shù)定義為：f(net)=11+e－net，它是一種有界可微的實(shí)函數(shù)，在每一點(diǎn)導(dǎo)數(shù)的值始終是正數(shù)，其導(dǎo)數(shù)為:f′(net)=e－net(1+e－net)2。Sigmoid函數(shù)圖像及其導(dǎo)數(shù)圖像如圖2所示。

　　它的輸出范圍有限，可以將輸入的數(shù)值映射到0和1之間，所以數(shù)據(jù)在傳遞過程中不易發(fā)散。函數(shù)趨向于負(fù)無窮時(shí)極限為0，函數(shù)趨向于正無窮時(shí)極限為1。 Sigmoid函數(shù)可以輕而易舉地將非線性引入到網(wǎng)絡(luò)中［8］。但是Sigmoid函數(shù)也有著如下兩個(gè)較為致命的缺點(diǎn)：

　?、亠柡蜁r(shí)梯度消失。當(dāng)輸入值很大或很小的情況下，Sigmoid函數(shù)的這些區(qū)域的梯度幾乎為0，即梯度消失。而對(duì)于BP神經(jīng)網(wǎng)絡(luò)而言，如果梯度過小的話，則會(huì)導(dǎo)致權(quán)值的修改量很小或者幾乎為0，從而導(dǎo)致整個(gè)網(wǎng)絡(luò)難以學(xué)習(xí)。

　?、赟igmoid函數(shù)的輸出值不是零均值化的。這會(huì)導(dǎo)致下一層神經(jīng)元將本層非零均值化的輸出信號(hào)作為輸入。試想一下如果數(shù)據(jù)輸入神經(jīng)元是恒正的,那么所得出的梯度也會(huì)是恒正的數(shù)，而從產(chǎn)生鋸齒現(xiàn)象而導(dǎo)致收斂速度變慢。

　?。?）雙曲正切函數(shù)：又稱為Tanh函數(shù)，其函數(shù)可以表達(dá)為：f(net)=21+e－2net－1，其導(dǎo)數(shù)為：f′(net)=1－f(net)2。Tanh函數(shù)圖像及其導(dǎo)數(shù)圖像如圖3所示?？梢詫⑤斎氲臄?shù)值映射到-1與1之間，圖像過原點(diǎn)且穿越I、III象限，Tanh函數(shù)是一個(gè)嚴(yán)格單調(diào)遞增函數(shù)。函數(shù)趨向于負(fù)無窮時(shí)極限為-1，函數(shù)趨向于正無窮時(shí)極限為1［9］。Tanh函數(shù)針對(duì)Sigmoid函數(shù)輸出值非零均值化做出了改進(jìn)，但是飽和時(shí)梯度消失的問題依舊存在［10］。

　　為了對(duì)比Sigmoid函數(shù)與Tanh函數(shù)作為激活函數(shù)的性能，以經(jīng)典非線性問題——異或問題（XOR）作為研究對(duì)象，分別用兩種函數(shù)作為激活函數(shù)，將最大訓(xùn)練次數(shù)設(shè)為1 000次，訓(xùn)練的預(yù)期均方誤差(MSE)精度設(shè)為0.000 1，Sigmoid與Tanh的迭代次數(shù)對(duì)比如表1所示。表1Sigmoid與Tanh的迭代次數(shù)的對(duì)比激活函數(shù)SigmoidTanhMSE精度0.000 10.000 1實(shí)際MSE精度0.000 094 5460.000 091 367迭代次數(shù)10720

　　根據(jù)表1可以得知，Tanh函數(shù)作為激活函數(shù)時(shí)BP網(wǎng)絡(luò)的收斂速度要優(yōu)于Sigmoid作為激活函數(shù)的收斂速度，其性能大約為Sigmoid的5倍。

　　1.4改進(jìn)激活函數(shù)

　　傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中，只有連接神經(jīng)元之間的權(quán)值以及作用在激活函數(shù)上的閾值是可調(diào)整的，而激活函數(shù)則是固定不變的，這樣一來就制約了BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力，繼而影響網(wǎng)絡(luò)的精度以及收斂速度［11］。為了改進(jìn)上述問題，有學(xué)者提出了針對(duì)Sigmoid函數(shù)的垂直、水平位置的改進(jìn)［12］，但是根據(jù)上文可以得知Tanh函數(shù)作為激活函數(shù)要優(yōu)于Sigmoid函數(shù)，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則是基于梯度下降法的特征以及實(shí)際上激活函數(shù)的性能與函數(shù)的陡峭程度的關(guān)聯(lián)更緊密的結(jié)論［1314］，在為了達(dá)到優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的同時(shí)，沒有必要將其變得更加復(fù)雜?；谝陨纤枷氡疚奶岢鋈缦滦问降亩盖鸵蜃訁?shù)可調(diào)Tanh函數(shù)：

　　f(net)=21+e－2αx－1（3）

　　其中，α為陡峭因子，其決定函數(shù)的陡峭程度。本文中xj代表輸入層的第j個(gè)節(jié)點(diǎn)的輸入，假設(shè)輸入層有m個(gè)節(jié)點(diǎn)，那么j=1,…,m;wji為輸入層第j個(gè)節(jié)點(diǎn)到隱層第i個(gè)節(jié)點(diǎn)之間的連接權(quán)值；ψi表示隱層第i個(gè)節(jié)點(diǎn)的閾值；f1(α1 net)為隱層的激活函數(shù)，其中α1是隱層激活函數(shù)的可調(diào)節(jié)陡峭因子；win代表隱層第i個(gè)節(jié)點(diǎn)與輸出層第n個(gè)節(jié)點(diǎn)之間的連接權(quán)值，假設(shè)隱層存在q個(gè)節(jié)點(diǎn)，則n=1,…,q；θn表示輸出層第n個(gè)節(jié)點(diǎn)的閾值；f2(α2net)為輸出層的激活函數(shù)，α2是輸出層激活函數(shù)的可調(diào)節(jié)陡峭因子；on代表輸出層第n個(gè)節(jié)點(diǎn)的輸出，假設(shè)輸出層存在l個(gè)節(jié)點(diǎn)，n=1,…,l。

　　根據(jù)以上規(guī)定，改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)的前向傳播過程為：

　　隱層第i個(gè)節(jié)點(diǎn)的輸入為：

　　neti=∑wjixj－ψi（4）

　　隱層第i個(gè)節(jié)點(diǎn)的輸出記為：

　　yi=f1(α1neti)=f1(α1∑mi=1wjixj－ψi)（5）

　　輸出層第n個(gè)節(jié)點(diǎn)的輸入為：

　　netn=∑qn=1winyi－θi=∑qn=1winf1(α1∑mi=1wjixj－ψi)－θi（6）

　　那么，輸出層上第n個(gè)節(jié)點(diǎn)的輸出值就可以用以下形式表示：

　　on=f2(α2netn)=f2(α2∑qn=1winyi－θi)=f2∑qn=1winf1(α1∑mi=1wjixj－ψi)－θi（7）

　　改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)誤差的反向傳播過程如下：

　　每個(gè)樣本p的二次型誤差準(zhǔn)則函數(shù)為：

　　Ep=12∑ln=1(tn－on)2（8）

　　設(shè)系統(tǒng)中共有P個(gè)訓(xùn)練樣本，則系統(tǒng)總誤差準(zhǔn)則函數(shù)為：

　　E=12∑Pp=1∑ln=1(tn－on)2（9）

　　根據(jù)BP神經(jīng)網(wǎng)絡(luò)反向傳播的原理，為了使得連接權(quán)值沿著E的梯度下降的方向改善，需要依次計(jì)算Δwin、Δwji、Δα2、Δα1，可以利用以下公式來計(jì)算出需要的值，其中η為增益因子。

　　改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)的輸出層權(quán)值調(diào)整公式為：

　　改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)的隱層權(quán)值調(diào)整公式為：

　　改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)的輸出層激活函數(shù)陡峭因子調(diào)整公式為：

　　改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)的隱層激活函數(shù)陡峭因子調(diào)整公式為：

　　根據(jù)求導(dǎo)法則，可以求得：

　　

　　經(jīng)過整理，最后得到如下公式：

　　最后將計(jì)算出的值帶入如下更新公式中，其中t表示某一時(shí)刻：

　　win(t+1)=win(t)+Δwin（17）

　　wji(t+1)=wji(t)+Δwji（18）

　　α2(t+1)=α2(t)+Δα2（19）

　　α1(t+1)=α1(t)+Δα1（20）

2實(shí)驗(yàn)結(jié)果與分析

　　為了驗(yàn)證改進(jìn)之后BP神經(jīng)網(wǎng)絡(luò)的性能，使用MATLAB工具對(duì)非線性函數(shù)z=x2+y2進(jìn)行擬合，從其1 800組輸入輸出數(shù)據(jù)中隨機(jī)選取1 700組作為訓(xùn)練數(shù)據(jù)，用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，剩余100組作為測(cè)試數(shù)據(jù)用來測(cè)試網(wǎng)絡(luò)的擬合性能［15］。

　　分別對(duì)采用Tanh函數(shù)作為激活函數(shù)的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)以及采用附加動(dòng)量項(xiàng)方法與動(dòng)態(tài)學(xué)習(xí)速率及參數(shù)可調(diào)Tanh激活函數(shù)結(jié)合的方法改進(jìn)的算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后對(duì)兩種方法的結(jié)果進(jìn)行比較分析。

　　2.1網(wǎng)絡(luò)初始化

　　在網(wǎng)絡(luò)初始化階段需要確定輸入層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)nI、輸出層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)nO、隱層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)nH。根據(jù)需要擬合的非線性函數(shù)的特征，將輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)nI設(shè)定為2，輸出層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)nO設(shè)置為1， 隱層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)nH可根據(jù)如下公式得到：

　　nH=nI+nO+a

　　其中a為0~10之間的常數(shù)。根據(jù)以上設(shè)定，最終構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為2，隱層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為10，輸出層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為1。接下來則需要對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化：連接權(quán)值∈（-0.5，0.5）；閾值∈(-0.5,0.5)；陡峭因子∈（0.7，1.5）。

　　2.2數(shù)據(jù)預(yù)處理

　　參數(shù)隨機(jī)初始化之后，需要對(duì)待輸入至網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行歸一化處理，這樣可以減小各維數(shù)據(jù)間數(shù)量級(jí)的差別，從而避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長(zhǎng)的問題。

　　MATLAB中對(duì)應(yīng)歸一化代碼如下：

　　［inputn,inputps］=mapminmax(input_train);

　?。踥utputn,outputps］=mapminmax(output_train);

　　2.3對(duì)比試驗(yàn)

　　針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)以及采用附加動(dòng)量項(xiàng)方法與動(dòng)態(tài)學(xué)習(xí)速率以及參數(shù)可調(diào)Tanh激活函數(shù)結(jié)合的方法改進(jìn)的網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，指定訓(xùn)練的目標(biāo)均方誤差分別取值為0.000 01與0.000 001，最大迭代次數(shù)設(shè)置為10 000次。

　　最后，以100組作為測(cè)試的數(shù)據(jù)分別針對(duì)迭代次數(shù)與誤差精度兩個(gè)方面來分析傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)的擬合性能，結(jié)果如下。

　　從迭代次數(shù)的角度來分析，如圖4與圖5所示，當(dāng)系統(tǒng)目標(biāo)均方誤差設(shè)置為0.000 01時(shí)，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)到達(dá)該精度需要迭代70次，而改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)只需要迭代33次就能達(dá)到該精度。

　　系統(tǒng)目標(biāo)均方誤差為0.000 001時(shí)，如圖6與圖7所示，該精度要求下傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)迭代了193次才完成，反觀改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)則只用迭代72次就輕松的達(dá)到了均方誤差精度的要求。

　　接著，從學(xué)習(xí)精度方面來分析。限于篇幅，從100個(gè)測(cè)試數(shù)據(jù)中隨機(jī)抽取出10個(gè)數(shù)據(jù)作為樣本，將目標(biāo)均方誤差精度為0.000 01時(shí)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值記為A1，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)記為A2；將目標(biāo)均方誤差精度為0.000 001時(shí)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值記為B1，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)記為B2，結(jié)果的表2所示。從表2可以觀察出改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)較之于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)精度方面亦有著較為明顯的改善。

3結(jié)論

　　針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度較慢、預(yù)測(cè)精度不高、極易陷入局部最小點(diǎn)的缺點(diǎn)，本文提出了一種將平滑權(quán)值變化的值附加動(dòng)量項(xiàng)方法與動(dòng)態(tài)學(xué)習(xí)速率方法以及陡峭因子參數(shù)可調(diào)激活函數(shù)結(jié)合起來的改進(jìn)方法，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了以非線性函數(shù)擬合為實(shí)驗(yàn)的對(duì)比分析，證明了本文改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度以及更高的精度。

　　參考文獻(xiàn)

　?。?］ 周志華，曹存根. 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用［M］. 北京：清華大學(xué)出版社，2004.

　　［2］ ABRAHAM A. Meta learning evolutionary artificial neural networks［J］. Neurocomputing, 2004, 56: 1-38.

　?。?］ 張雨濃, 曲璐, 陳俊維, 等. 多輸入 Sigmoid 激勵(lì)函數(shù)神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)確定法［J］. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(11): 4113-4151.

　?。?］ Wu Ailong, Zeng Zhigang. Global exponential stability in Lagrange sense for periodic neural networks with various activation functions ［J］. Neurocomputing, 2011, 74(5):831-837.

　?。?］ DEBES K, KOENIG A, GROSS H M. Transfer functions in artificial neural networksa simulationbased tutorial［J］. Brains, Minds and Media, 2005(1).

　?。?］ MHASKAR H N, MICCHELLI C A. How to choose an activation function［J］. Advances in Neural Information Processing Systems, 1994: 319.

　?。?］ GULCEHRE C, MOCZULSKI M, DENIL M, et al. Noisy activation functions［J］. arXiv preprint arXiv:1603.00391, 2016.

　?。?］ 王雪光, 郭艷兵, 齊占慶. 激活函數(shù)對(duì) BP 網(wǎng)絡(luò)性能的影響及其仿真研究［J］. 自動(dòng)化技術(shù)與應(yīng)用, 2002,21(4): 15-17.