摘 要：隨著人工智能及機器學習的飛速發(fā)展，數據在網絡傳播中的應用日益增多，BP神經網絡及數據分類也成為大家研究的一個熱點領域。BP神經網絡的學習采用了梯度下降法（也稱之為最速下降法），作為比較古老的方法之一，這種方法在求解無約束優(yōu)化問題上沿用了很長一段時間，盡管現在使用的較少，大它的很多算法都為后來的很多優(yōu)秀算法提供了基礎。L-M方法（Levenberg—Marquardt）LM方法是通過在Hessian矩陣上加一個正定矩陣來進行分析評估的方法，是最優(yōu)化算法中的一種。

關鍵詞：人工智能；BP神經網絡；梯度下降

中圖分類號：TP183

“人腦究竟是怎么工作的？”“我們能夠模擬人腦的人工神經元？”這些年，人們不斷的努力嘗試去解答這個問題，并通過各種技術方法來試圖破解這個難題，在探索的過程中，BP神經網絡出現了，作為一個多領域學科交叉的匯聚點，它收到極大的關注和青睞，每個學科的專家都從自己學科出發(fā)進行了深入的研究和探索，并且取得了很好的效果，BP神經網路在各個領域都得到了推廣和實際應用。模式識別一個非常直觀并且存在與我們身邊的每個細節(jié)中的一個活動不管是我們出行選擇路線還是對天氣質量的感知抑或對食物味覺所作出的判斷都可以成為模式識別的一個過程，不管是人還是動物，對于模式識別來說并不是難事，但是想讓機器能夠和人或者動物一樣來進行學習、分類、感知則是一件很困難的過程，如何讓機器能識別、分類，這就是我們要深入研究的一個問題，在模式識別中作為一個重點BP神經網絡這門學科這些年取得了深入的研究和廣泛的突破。

BP網絡在模擬人腦，達到自主學習功效的過程中被不斷的完善和優(yōu)化，并且滲透到各個領域。BP神經網絡與其他網絡不同，它不用解釋和描述在數學方程中出現的映射關系，就能夠自主的取學習和保存大規(guī)模的IN-OUT模式的映射關系。BP神經網絡的學習采用了梯度下降法（也稱之為最速下降法），在，作為比較古老的方法之一，這種方法在求解無約束優(yōu)化問題上沿用了很長一段時間，盡管現在使用的較少，大它的很多算法都為后來的很多優(yōu)秀算法提供了基礎。

梯度下降法的搜索方向是負的梯度方向，其步長越小，并且越能夠接近目標，則前進的速度就會越慢。為使網絡中的誤差平方和達到最小，需要不斷調整網絡權值和閾值。BP神經網絡的模型包含了幾部分：輸入層（input）、隱層（hide layer）和輸出層（output layer）。在分布式的存儲數據的過程中，我們使用BP網絡中的權值來代表一定的信息，當某部分收到影響時，網絡仍然能夠恢復到原來的信息數據；在對數據信息進行處理的過程中，具有一定的并行性；在BP神經網絡中，每一個獨立的神經元都能夠依據它多得到的數據信息做獨立的分析、處理，處理以后的結果向外傳遞，這個過程中，數據和信息的處理都反映了自我組織和自我學習的特點，而神經元學習的過程也體現在其通過改變連接權值和閾值來主動的適應周圍新的變化。

L-M方法（Levenberg—Marquardt）LM方法是一種通過把所選擇的正定矩陣添加到Hessian矩陣的方法，主要用來做評估工作，LM方法的工作過程實際上時去發(fā)現一個最小函數的參數向量。Levenberg—Marquardt作為最優(yōu)化算法之一，被用在我們生活中的很多方面，并且得到了很快速的發(fā)展和優(yōu)化。Levenberg—Marquardt依據倒數的方法通常被分為2個部分。在第一部分中，當F為解析函數，那么當我嗎知道X后，在尋找導數的過程中，速度會得到明顯的提升。在第二部分中，我們通過數值差分來計算我們需要的導數。L-M方法（Levenberg—Marquardt）依據模型，又分為主要的三種，分別是最小二乘的最優(yōu)化、約束的最優(yōu)化以及非約束的最優(yōu)化。

BP神經網絡的原理：通常BP神經網絡兩層前饋神經網絡，Sigmoid是其激勵函數。BP神經網絡的基本思想：通過梯度下降法，根據我們之前所期望的實際的輸出與輸出之間的平方誤差值最小，我們從輸出層開始，一層一層額來修正權系數。在修正的過程中，整個周期分為兩個階段：第一個階段為前向傳播階段，第二個階段為反向傳播階段。

BP所采用S的函數，在輸出的過程中一般不宜設為1或者0，我們可以將其可設置為0.9或者0.1。權系數的初始化過程為：不應該將初始值的設置的一樣，否則容易在學習的過程中一直保持不變，我們可以將其設置為隨機值。在步長的選擇過程中：我們可以將其設置為可變的步長，用來防止震蕩。在局部最小的問題中：BP神經網絡的算法是屬于非線性優(yōu)化的算法，如果我們初始值設置的不合適的話，容易造成陷入局部極小的情況。前饋網絡結構：輸入節(jié)點數是模式的維數，輸出節(jié)點數一般是類別的量，隱層節(jié)點的數量目前還沒有明確的方法用來確定。

通過實驗我們利用BP神經網絡對線性不可分的樣本集進行了分類，通過分析分類實驗后的實驗結果我們可以看出：我們使用線性的不可分的數據樣本集來對分類器進行訓練：通過實驗我么可以看出BP神經網絡能夠很好的適用這些數據樣本集合，并且通過使用L-M優(yōu)化算法，我們大大縮短了實驗訓練的時間，同時也很好的降低了迭代次數，相比較traingdm算法而言，我們使用BP神經網絡所做的工作使得算法效率得到了很好的提高。整個BP神經網絡實驗如下：在BP神經網絡中對之前的線性不可分數據樣本集進行分類，我們得到了運行時間：Elapsed time is 1.417897 seconds。

A=Columns 1 through 9

1.0415 0.9667 0.9916 0.990 0.0319 0.650 0.048 -0.043 0.0519 1.0794 1.0450 1.0804 1.0389 1.0097 1.0512 1.0314 1.0329 1.0310

A=Columns 10 through 12

-0.0019 0.9765 0.2385

0.9651 1.0132 1.0195

MSE =0.0089實驗截圖如下：

圖1

圖2

通過上述實驗，我們能夠看出，當我們所給的輸入的樣本矢量是屬于線性不可分的的時候，所以我們利用train函數來針對輸入矢量P建立的相應的BP訓練網絡。通過實驗結果我們可以看出BP神經網絡經過多次的實驗，但是在每次的訓練中都得到的了不同的實驗結果，然而感知器與BP神經網絡不同，感知器在訓練的過程及結果中所訓練的結果基本都能保持一定的穩(wěn)定性。本文中實驗訓練的程序一共包含了三個輸入層，隱層的節(jié)點數為9，我們將訓練誤差定義為0.01，將迭代次數的最高取值設置為100，我們所給出的目標誤差和實際訓練的到的結果收斂于左后程序中定義所給的誤差，所以通過上述實驗我們可以得到BP網絡在經過訓練之后，可以對線性不可分的網絡進行分類。

參考文獻：

[1]郭志強，蔡嵩.彩色遙感圖像分類算法及M atlab實現[J].武漢理工大學學報，2006（01）：108-112.

[2]修麗娜，劉湘南.人工神經網絡遙感分類方法研究現狀及發(fā)展趨勢探析[J].遙感技術與應用，2003（18）.

[3]戴永偉，雷志勇.BP網絡學習算法研究及其圖像模式識別應用[J].計算機與現代化，2006（11）：6770.

[4]廖克，成夕芳，吳健生.高分辨率衛(wèi)星要干影像在土地利用變化動態(tài)監(jiān)測中的應用[J].測繪科學，2006（06）：1115.

作者簡介：羅丹（1980.10-），女，回族，新疆烏魯木齊人，教師，講師，碩士（在讀博士），研究方向：模式識別、圖像處理。

作者單位：新疆農業(yè)職業(yè)技術學院，新疆昌吉 831100