BP網(wǎng)絡樣本數(shù)據(jù)預處理技術(shù)研究.pdf

1、BP（Back-Propagation）網(wǎng)絡是一種人工神經(jīng)網(wǎng)絡學習算法，廣泛應用于圖像處理、模式識別、數(shù)據(jù)挖掘、通信工程等領(lǐng)域，主要包括指導訓練和識別兩個過程。各國學者針對BP網(wǎng)絡內(nèi)部函數(shù)、連接權(quán)值、收斂速度和網(wǎng)絡結(jié)構(gòu)等方面展開了大量研究，但是很少有學者系統(tǒng)分析過訓練樣本數(shù)據(jù)對BP網(wǎng)絡性能的影響，本文主要將訓練樣本數(shù)據(jù)處理作為研究對象，圍繞訓練樣本特征降維、樣本過濾和空間分布等幾個方面展開研究，并取得了一些成果。
　　在訓練樣本特

2、征降維方面，提出了一種基于識別正確率測試反饋的改進 SFS算法，通過識別正確率自動控制迭代停止條件，更加有效地壓縮樣本特征維數(shù)，避免“維數(shù)災難”對BP網(wǎng)絡的影響，結(jié)果表明，改進算法能提高BP網(wǎng)絡收斂速度和正確識別率。
　　在訓練樣本過濾方面，提出了一種改進 Depuration修剪算法，引入信息熵和信息增益的概念，設(shè)計了基于熵權(quán)的距離度量函數(shù)，對孤立點和噪音樣本進行修剪和過濾，使BP網(wǎng)絡學習收斂速度和識別效果都得到改善。
　

3、　在樣本空間分布方面，提出了將訓練樣本集進行類內(nèi)等概率隨機均勻分布和類間均勻分布相結(jié)合的雙重均勻分布的順序重組方法，改善樣本分布不均衡性，增強樣本數(shù)據(jù)的可分性，加深BP網(wǎng)絡對訓練樣本的循環(huán)辨別記憶，改善了BP網(wǎng)絡性能。
　　針對以上論文的研究成果，用VC++語言編寫CBpNet類模塊，并將類模塊應用到了顯微鏡體液圖像識別系統(tǒng)、試紙顏色識別系統(tǒng)和武警搜索XXX目標定位系統(tǒng)的工程實踐。實驗證實，改進的BP網(wǎng)絡訓練速度更快，識別準確率更