專利名稱：：基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種處理實驗數(shù)據(jù)的方法，尤其涉及一種采用人工神經(jīng)網(wǎng)絡(luò)的算法，對實驗數(shù)據(jù)進行分析處理和結(jié)果預(yù)測的方法，屬于數(shù)據(jù)處理
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：在科學(xué)研究中，經(jīng)常需要通過實驗來尋找所研究對象的變化規(guī)律，并通過對規(guī)律的研究達到各種實用的目的，如提高產(chǎn)量、降低消耗等。最優(yōu)實驗方案的獲得，必須兼顧實驗設(shè)計方法和數(shù)據(jù)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(xué)的實驗方案，才能用較少的實驗次數(shù)，在較短的時間內(nèi)達到預(yù)期的實驗?zāi)繕?biāo)；反之，往往會浪費大量的實驗數(shù)據(jù)。另一方面，合理的實驗設(shè)計只是實驗成功的充分條件。如果沒有實驗數(shù)據(jù)的分析計算，就不能對所研究的問題有一個明確的認(rèn)識，也不可能從實驗數(shù)據(jù)中尋找到規(guī)律性的信息，所以實驗設(shè)計都是與一定的數(shù)據(jù)處理技術(shù)相對應(yīng)的。數(shù)據(jù)處理技術(shù)的作用主要體現(xiàn)在如下幾個方面(1)通過誤差分析，可以評判實驗數(shù)據(jù)的可靠性；(2)確定影響實驗結(jié)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(jié)果之間存在的近似函數(shù)關(guān)系，并能對實驗結(jié)果進行預(yù)測和優(yōu)化；(4)實驗因素對實驗結(jié)果的影響規(guī)律，為控制實驗提供思路；(5)確定最優(yōu)實驗方案或配方。在科學(xué)研究中，人們通常所遇到的數(shù)據(jù)處理問題大致可分為兩類一類是結(jié)構(gòu)性問題，如數(shù)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(jié)構(gòu)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(jù)研究，這些非結(jié)構(gòu)性問題大多是復(fù)雜的非線性問題，采用一般的數(shù)據(jù)處理和分析方法難以勝任，但利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的有關(guān)算法往往能夠予以解決。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)(ArtificialNeuralNetworkSystem)是由大量簡單的基本單元-網(wǎng)絡(luò)節(jié)點(神經(jīng)元)相互連接而成的具有自適應(yīng)性的非線性動態(tài)分布式網(wǎng)絡(luò)系統(tǒng)。它是以對大腦的生理研究成果為基礎(chǔ)，根據(jù)生物學(xué)中神經(jīng)網(wǎng)絡(luò)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(xiàn)某個方面的功能。雖然每個神經(jīng)元的結(jié)構(gòu)和功能十分簡單，但是由大量的神經(jīng)元組合而成的整個系統(tǒng)卻非常復(fù)雜，功能非常強大。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有以下的特性1.采用并行分布處理方式。由大量神經(jīng)元相互連接而成的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)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(yīng)性和自組織性。通過強有力的學(xué)習(xí)算法和自組織規(guī)則，使系統(tǒng)可以在不斷變化的環(huán)境中對提出的每一要求進行自適應(yīng)；3.采用非線性處理方式。具有執(zhí)行非線性任務(wù)和去除噪音干擾的能力，使系統(tǒng)能夠很好地用于模式識別和預(yù)測。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)是一個能夠?qū)W習(xí)的系統(tǒng)。它能夠通過已知數(shù)據(jù)的試驗運用來學(xué)習(xí)和歸納總結(jié)，自適應(yīng)不知道或不確定的系統(tǒng)，從而充分逼近任意復(fù)雜的非線性關(guān)系。因此，許多復(fù)雜的運算、模式識別和過程控制等任務(wù)都可以利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來完成。但是，就發(fā)明人所知，目前尚沒有將人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于實驗數(shù)據(jù)處理的成熟解決方案。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題在于提供一種基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法。該實驗數(shù)據(jù)處理方法不但可以處理一些常規(guī)的線性問題，還可以處理一些較為復(fù)雜的非線性問題。為實現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術(shù)方案一種基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法，所述人工神經(jīng)網(wǎng)絡(luò)具有三層網(wǎng)絡(luò)結(jié)構(gòu)，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(wǎng)絡(luò)節(jié)點，隱層中的每個網(wǎng)絡(luò)節(jié)點分別與輸入層和輸出層中的網(wǎng)絡(luò)節(jié)點相連接，其特征在于包括如下的步驟(1)設(shè)定人工神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)節(jié)點數(shù)目和學(xué)習(xí)樣本數(shù)目；(2)對輸入的實驗數(shù)據(jù)進行歸一化處理；(3)讀入一組學(xué)習(xí)樣本和希望輸出，隨機給定各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值，計算隱層中各個網(wǎng)絡(luò)節(jié)點的輸入值和輸出值；(4)計算輸出層中各個網(wǎng)絡(luò)節(jié)點的輸出值；(5)計算整個人工神經(jīng)網(wǎng)絡(luò)的輸出與實測結(jié)果的能量誤差函數(shù)；(6)修正各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值通過連續(xù)迭代的方式計算連接權(quán)值的增量，使其沿著能量誤差函數(shù)隨連接權(quán)值變化的負(fù)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(shù)；(7)如果迭代計算輪次達到所設(shè)定的值或者計算精度達到所設(shè)定的要求，則結(jié)束迭代過程，保留計算出的各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值；(8)根據(jù)步驟(7)獲得的連接權(quán)值對輸入的實驗數(shù)據(jù)進行結(jié)果預(yù)測。其中，在所述步驟(3)中，隱層網(wǎng)絡(luò)節(jié)點上的激發(fā)函數(shù)為Sigmoid函數(shù)或反正切函數(shù)。所述步驟(4)中，計算輸出層中各個網(wǎng)絡(luò)節(jié)點的輸出值時，不考慮隱層上各個網(wǎng)絡(luò)節(jié)點的閾值。本發(fā)明所提供的實驗數(shù)據(jù)分析處理方法創(chuàng)造性地采用了人工神經(jīng)網(wǎng)絡(luò)中的多種算法，可以有效解決多種復(fù)雜的非線性多輸入和多輸出的數(shù)據(jù)處理問題，為實驗數(shù)據(jù)處理、分析和結(jié)果預(yù)測提供了一個強有力的分析工具。下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的說明。圖1是本發(fā)明所采用的具有三層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)的系統(tǒng)示意圖；圖2是本實驗數(shù)據(jù)分析處理方法所采用的BP算法的流程框圖3是本實驗數(shù)據(jù)分析處理方法在學(xué)習(xí)訓(xùn)練過程中的輸出結(jié)果和誤差的示例圖；圖4是本實驗數(shù)據(jù)分析處理方法所實現(xiàn)的數(shù)據(jù)預(yù)測與實測結(jié)果的比較結(jié)果示例圖。具體實施例方式根據(jù)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的不同，一般可以將其分為兩大類前向(FeedForward)型人工神經(jīng)網(wǎng)絡(luò)和反饋(FeedBack)型人工神經(jīng)網(wǎng)絡(luò)。前者又分為單層前向模型、多層前向模型、多層前向反傳(Multi-LayerFeedForwardBackPropagation)模型等。后者又分為Hopfield神經(jīng)網(wǎng)絡(luò)系統(tǒng)(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(jīng)網(wǎng)絡(luò)。本發(fā)明人經(jīng)過反復(fù)研究，認(rèn)為誤差反向傳播(BackPropagation)算法比較適合于進行實驗數(shù)據(jù)的分析處理。誤差反向傳播算法簡稱為BP算法，屬于網(wǎng)絡(luò)連接權(quán)值學(xué)習(xí)算法中的一種，其基本思想是根據(jù)所提供的數(shù)據(jù)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(jīng)元的連接權(quán)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(dāng)兩次計算的能量差達到所設(shè)定的要求時停止計算。利用這些計算出的網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的連接權(quán)值，即可求出預(yù)測值?；谏鲜龅腂P算法，本實驗數(shù)據(jù)處理方法采用如圖1所示的多層前向反傳的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。該人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有三層網(wǎng)絡(luò)結(jié)構(gòu)，每層中均包含有多個網(wǎng)絡(luò)節(jié)點(神經(jīng)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(jié)果；而第二層為隱層，每個隱層中的網(wǎng)絡(luò)節(jié)點分別與輸入層和輸出層中的網(wǎng)絡(luò)節(jié)點相連接。該人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過對大量實驗數(shù)據(jù)的學(xué)習(xí)可以在輸入和輸出之間建立起一個非線性的數(shù)學(xué)映射關(guān)系，并以此為基礎(chǔ)對相應(yīng)的實驗數(shù)據(jù)進行分析、處理，對實驗結(jié)果進行預(yù)測。圖1所示的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)采用BP(BackPropagation)算法及其改進算法計算各個網(wǎng)絡(luò)節(jié)點之間的連接權(quán)值，在輸入層和輸出層之間建立非線性映射關(guān)系。首先假設(shè)人工神經(jīng)網(wǎng)絡(luò)的輸入層中有η個節(jié)點，隱層中有m個節(jié)點，輸出層中有r個節(jié)點；整個網(wǎng)絡(luò)的輸入為Xi(i=1，2，...11)，整個網(wǎng)絡(luò)的輸出為九&=1，2，...1·)；輸入層節(jié)點i與隱層節(jié)點j之間的連接權(quán)值為隱層節(jié)點上的閾值為」(j=1,2,...m)。在此條件下，BP算法的整個計算步驟如下1.讀入一組學(xué)習(xí)樣本X(Xl，x2,...,xn)和希望輸出t(y1;y2，...y』，首先進行正向計算過程，通過隨機給定或者讀入各個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的連接權(quán)值，計算出隱層各個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的輸入值Ii=ΣWijXj+θi(1)式(1)中=Wij為輸入層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)j與隱層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)i之間的連接權(quán)值；Xj為樣本在輸入層中第j個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的值；i為隱層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)i的閾值。2.如果隱層節(jié)點上的激發(fā)函數(shù)A假定為Sigmoid函數(shù)(/=7^7)，則隱層上各個1+e網(wǎng)絡(luò)節(jié)點(神經(jīng)元)輸出與隱層輸入的關(guān)系為<formula>formulaseeoriginaldocumentpage6</formula>式⑵中=Ij為隱層各個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的輸入；τ為溫度因子。3.如果隱層網(wǎng)絡(luò)節(jié)點j與輸出層網(wǎng)絡(luò)節(jié)點k之間的連接權(quán)值為wjk，并且不考慮隱層上各個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的閾值，則可以得到輸出層中各個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的輸出<formula>formulaseeoriginaldocumentpage6</formula>式(3)中Vki為輸出層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)k與隱層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)i之間的連接權(quán)值諷為隱層網(wǎng)絡(luò)節(jié)點(神經(jīng)元)i的輸出值。4.在進行完正向計算后，再進一步計算整個人工神經(jīng)網(wǎng)絡(luò)的輸出與實測結(jié)果的能量誤差函數(shù)。假設(shè)有ρ個學(xué)習(xí)樣本，這些學(xué)習(xí)樣本的實測輸出值為tk(k=1,2,...,r)，則對于樣本P(χ1ρ，X2p···，Xnp；tipt2p，···，trp)，目旨里k差函數(shù)E為<formula>formulaseeoriginaldocumentpage6</formula>式(4)中tk為輸出層中第k個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的實測值；yk為輸出層中第k個網(wǎng)絡(luò)節(jié)點(神經(jīng)元)的計算值。5.修正各個神經(jīng)元的連接權(quán)值按照圖2所示的步驟，首先設(shè)置迭代精度和迭代計算輪次T，給出初始計算的連接權(quán)值W，然后設(shè)定T=Uk=1，通過連續(xù)迭代的方式計算連接權(quán)值的增量，使其沿著各樣本的能量誤差函數(shù)Ep隨連接權(quán)值變化的負(fù)梯度方向不斷修正，以達到降低誤差的目的，進行反傳計算。假設(shè)學(xué)習(xí)速率為η，輸入層與隱層之間各個網(wǎng)絡(luò)節(jié)點連接權(quán)值增量為<formula>formulaseeoriginaldocumentpage6</formula>隱層各個網(wǎng)絡(luò)節(jié)點的閾值增量為<formula>formulaseeoriginaldocumentpage6</formula>隱層與輸出層之間各個網(wǎng)絡(luò)節(jié)點連接權(quán)值增量為<formula>formulaseeoriginaldocumentpage6</formula>6.采用迭代方式，令新的連接權(quán)值和閾值分別為原有值與上述增量之和Wij=Wij+ΔWij(8)θj=θj+ΔθjviJk=Vijk+ΔviJk7.計算全部ρ個樣本的總能量誤差函數(shù)E=∑Ep(9)8.如果迭代計算輪次T達到所設(shè)定的值Ts，或者計算精度達到所設(shè)定的要求，則結(jié)束整個計算過程。此時獲得的連接權(quán)值即為進行實驗數(shù)據(jù)分析和結(jié)果預(yù)測所采用的連接權(quán)值。本實驗數(shù)據(jù)處理方法在采用上述的BP算法之外，為了提高學(xué)習(xí)速度，還可以引入了動量因子、溫度因子等參數(shù)，并采用動量梯度法、共軛梯度法等多種計算方法，以便適應(yīng)多種不同的應(yīng)用場合，加快收斂速度、避免陷入能量誤差函數(shù)的局部極小。下面進一步介紹利用本實驗數(shù)據(jù)處理方法實現(xiàn)實驗數(shù)據(jù)的分析處理和結(jié)果預(yù)測的具體過程。1.設(shè)定人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)中每層的網(wǎng)絡(luò)節(jié)點(神經(jīng)元)數(shù)目和學(xué)習(xí)樣本數(shù)目前已述及，本發(fā)明所涉及的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)共分為三層輸入層(用于輸入實驗因素X)、隱層和輸出層(用于輸入實驗測定結(jié)果Y)。因此，首先設(shè)定輸入層的網(wǎng)絡(luò)節(jié)點數(shù)目、隱層的網(wǎng)絡(luò)節(jié)點數(shù)目和輸出層的網(wǎng)絡(luò)節(jié)點數(shù)目。然后，進一步確定樣本數(shù)目(即要進行學(xué)習(xí)訓(xùn)練的樣本數(shù))。2.進行實驗數(shù)據(jù)歸一化在BP算法中，由于激發(fā)函數(shù)是類似S形的Sigmoid函數(shù)或反正切函數(shù)，為了更有效地利用這類函數(shù)的特性，要對輸入的實驗數(shù)據(jù)(包括實驗因素值和實驗結(jié)果)進行歸一化處理，以便將它們的大小控制在01之間。對于樣本數(shù)據(jù)Xi歸一化后的結(jié)果為Xi'，即xi=xi-xmin/xman-xmin3.輸入要學(xué)習(xí)訓(xùn)練的樣本X(Xl，X2,...,xn)和實測數(shù)據(jù)T當(dāng)學(xué)習(xí)訓(xùn)練的樣本數(shù)目較少時，可以直接輸入；而當(dāng)學(xué)習(xí)訓(xùn)練的樣本數(shù)目較多時，可以建立一個具有特定格式的文本文件，通過文件方式可以輸入更多的樣本。4.設(shè)定計算參數(shù)此處的計算參數(shù)包括學(xué)習(xí)速率、循環(huán)次數(shù)、擬合精度、動量因子、溫度因子、激發(fā)函數(shù)和數(shù)據(jù)記錄間隔等。5.開始學(xué)習(xí)訓(xùn)練在上述數(shù)據(jù)都輸入完成、計算參數(shù)都設(shè)定好之后，就可以利用BP算法開始學(xué)習(xí)訓(xùn)練。圖3顯示了學(xué)習(xí)訓(xùn)練過程中的輸出結(jié)果和誤差的一個示例。6.計算終止當(dāng)計算過程達到設(shè)定的終止條件時，計算會自動終止。7.結(jié)果檢驗為了檢驗輸入的數(shù)據(jù)(實驗因素)與輸出的結(jié)果(實驗結(jié)果)之間建立的映射關(guān)系是否正確，可以輸入幾組未經(jīng)學(xué)習(xí)訓(xùn)練的實驗數(shù)據(jù)，利用前次學(xué)習(xí)訓(xùn)練后的最終權(quán)值進行計算。有關(guān)的計算結(jié)果可以制作成如圖4所示的計算結(jié)果與實測數(shù)據(jù)的對比圖。如果對這幾組未經(jīng)學(xué)習(xí)訓(xùn)練的實驗數(shù)據(jù)的計算結(jié)果與實測結(jié)果非常接近，則說明先前通過學(xué)習(xí)訓(xùn)練建立的輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系正確，此時應(yīng)保存這些最佳連接權(quán)值。否則，說明先前通過學(xué)習(xí)訓(xùn)練建立的輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系不正確，此時必須重新進行學(xué)習(xí)訓(xùn)練。8.預(yù)測結(jié)果如果經(jīng)過上述的結(jié)果檢驗，輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系正確，這時就可以在保持最佳連接權(quán)值的條件下隨意輸入一組或幾組實驗因素，由此預(yù)測實驗的結(jié)果。9.建立數(shù)學(xué)模型尋找最優(yōu)實驗條件在輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系正確的條件下，通過繪制某一種或幾種實驗因素對實驗結(jié)果的影響關(guān)系曲線，或者構(gòu)建數(shù)學(xué)方程，即可得到最優(yōu)實驗條件。下面，通過回收甘草酸鹽的例子來說明本實驗數(shù)據(jù)處理方法實現(xiàn)的技術(shù)效果。在該實施例中，首先分析聚乙烯醇-硫酸銨雙水相體系在提取甘草酸鹽中幾種因素對收率的影響，由此建立網(wǎng)絡(luò)映射關(guān)系，希望得到比較好的預(yù)測收率。有關(guān)研究表明，聚乙烯醇的平均質(zhì)量、聚乙烯醇質(zhì)量分?jǐn)?shù)、硫酸銨質(zhì)量分?jǐn)?shù)、溶液的PH值是影響提取甘草酸鹽收率的四個主要因素，我們將它們分別確定為輸入層的四個網(wǎng)絡(luò)節(jié)點輸入值\、&、&、^;而該項研究中，我們最關(guān)心的只有甘草酸鹽收率，確定為唯一的輸出T。按照不同的實驗方案進行了33次實驗，從中選擇了20個實驗作為人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，剩余的13個實驗作為人工神經(jīng)網(wǎng)絡(luò)作為檢驗樣本，將所有樣本數(shù)據(jù)歸一化。設(shè)定人工神經(jīng)網(wǎng)絡(luò)中隱層的網(wǎng)絡(luò)節(jié)點數(shù)為5，學(xué)習(xí)速率為0.25，動量因子為0.9，溫度因子為1.0，激發(fā)函數(shù)采用Sigmoid函數(shù)，優(yōu)化方法采用采用動量梯度法，最大循環(huán)次數(shù)設(shè)定為25000次。參見表1所示，學(xué)習(xí)訓(xùn)練結(jié)束后得到的最終誤差為0.004，說明整體學(xué)習(xí)樣本計算結(jié)果與實際測量值的誤差很小。<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>表120個學(xué)習(xí)樣本的輸入數(shù)據(jù)和擬合值用剩余的13個未經(jīng)學(xué)習(xí)訓(xùn)練的數(shù)據(jù)，對上述已經(jīng)過學(xué)習(xí)訓(xùn)練所確定的網(wǎng)絡(luò)模型進行檢驗，結(jié)果見表2。<table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table>表213個檢驗樣本的預(yù)測結(jié)果根據(jù)表2，對13個未經(jīng)學(xué)習(xí)訓(xùn)練的數(shù)據(jù)進行檢驗，平均相對誤差僅有1.65%，最大相對誤差也只有5.2%，由此說明，前面經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)已經(jīng)正確地建立了輸入數(shù)據(jù)與輸出結(jié)果之間的映射關(guān)系。利用上述新建立的映射關(guān)系，可以建立各實驗因素對甘草酸鹽收率的影響關(guān)系曲線。例如聚乙烯醇的平均質(zhì)量對甘草酸鹽收率的影響曲線，在聚乙烯醇的平均質(zhì)量為4000g/mol時有一個極小值，并且隨著聚乙烯醇的平均質(zhì)量從4000g/mol逐漸減小時，收率逐漸增加，由此可知聚乙烯醇的平均質(zhì)量越小越有利于甘草酸鹽收率的提高。以上對本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法進行了詳細(xì)的說明，但顯然本發(fā)明的具體實現(xiàn)形式并不局限于此。對于本
技術(shù)領(lǐng)域：
的一般技術(shù)人員來說，在不背離本發(fā)明的權(quán)利要求范圍的情況下對它進行的各種顯而易見的改變都在本發(fā)明的保護范圍之內(nèi)。權(quán)利要求一種基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法，所述人工神經(jīng)網(wǎng)絡(luò)具有三層網(wǎng)絡(luò)結(jié)構(gòu)，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(wǎng)絡(luò)節(jié)點，隱層中的每個網(wǎng)絡(luò)節(jié)點分別與輸入層和輸出層中的網(wǎng)絡(luò)節(jié)點相連接，其特征在于包括如下的步驟(1)設(shè)定人工神經(jīng)網(wǎng)絡(luò)中每層的網(wǎng)絡(luò)節(jié)點數(shù)目和學(xué)習(xí)樣本數(shù)目；(2)對輸入的實驗數(shù)據(jù)進行歸一化處理；(3)讀入一組學(xué)習(xí)樣本和希望輸出，隨機給定各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值，計算隱層中各個網(wǎng)絡(luò)節(jié)點的輸入值和輸出值；(4)計算輸出層中各個網(wǎng)絡(luò)節(jié)點的輸出值；(5)計算整個人工神經(jīng)網(wǎng)絡(luò)的輸出與實測結(jié)果的能量誤差函數(shù)；(6)修正各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值通過連續(xù)迭代的方式計算連接權(quán)值的增量，使其沿著能量誤差函數(shù)隨連接權(quán)值變化的負(fù)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(shù)；(7)如果迭代計算輪次達到所設(shè)定的值或者計算精度達到所設(shè)定的要求，則結(jié)束迭代過程，保留計算出的各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值；(8)根據(jù)步驟(7)獲得的連接權(quán)值對輸入的實驗數(shù)據(jù)進行結(jié)果預(yù)測。2.如權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法，其特征在于所述步驟(3)中，隱層網(wǎng)絡(luò)節(jié)點上的激發(fā)函數(shù)為Sigmoid函數(shù)或反正切函數(shù)。3.如權(quán)利要求1所述的基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法，其特征在于所述步驟(4)中，計算輸出層中各個網(wǎng)絡(luò)節(jié)點的輸出值時，不考慮隱層上各個網(wǎng)絡(luò)節(jié)點的閾值。全文摘要本發(fā)明公開了一種基于人工神經(jīng)網(wǎng)絡(luò)的實驗數(shù)據(jù)分析處理方法。該方法中，通過讀入一組學(xué)習(xí)樣本和希望輸出，隨機給定各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值，計算隱層中各個網(wǎng)絡(luò)節(jié)點的輸入值和輸出值；進一步計算能量誤差函數(shù)；不斷修正各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值。在迭代計算輪次達到所設(shè)定的值或者計算精度達到所設(shè)定的要求的情況下結(jié)束迭代過程，保留計算出的各個網(wǎng)絡(luò)節(jié)點的連接權(quán)值，根據(jù)該連接權(quán)值對輸入的實驗數(shù)據(jù)進行結(jié)果預(yù)測。本實驗數(shù)據(jù)處理方法可以有效解決多種復(fù)雜的非線性多輸入和多輸出的數(shù)據(jù)處理問題，為實驗數(shù)據(jù)處理、分析和結(jié)果預(yù)測提供了一個強有力的分析工具。文檔編號G06N3/06GK101814158SQ20091007822公開日2010年8月25日申請日期2009年2月20日優(yōu)先權(quán)日2009年2月20日發(fā)明者黃小葳申請人:北京聯(lián)合大學(xué)生物化學(xué)工程學(xué)院