理论教育 离线推理机建模基于RBF神经网络

离线推理机建模基于RBF神经网络

时间:2023-06-17 理论教育 版权反馈
【摘要】:人工神经网络是由非线性处理单元组成的非线性大规模自适应动力系统。在本节中,我们应用RBF神经网络来建立服装选购人工心理模型。针对这一问题,在本节中,将采用一种径向基神经网络离线学习方式来减轻用户的疲劳程度。图中,粗线表示每一代中用户的预测结果,细线表示RBF神经网络的真实评测。实验结果表明,RBF神经网络具有较快的运算速度和最佳逼近性能,预测数据与实际数据基本吻合,取得了较好的效果。

离线推理机建模基于RBF神经网络

前面我们应用IGA建立了个性化智能服装选购系统模型。在系统交互过程中,当进化时间较长时,用户会产生疲劳。针对这一问题,除了在6.3节中提到的自主式遗传方法外,还可以考虑使用神经元网络和遗传算法相结合,来增加系统的自学习能力,缓解用户的疲劳程度。

人工神经网络是由非线性处理单元组成的非线性大规模自适应动力系统。它采用分布方式存储信息,具有联想记忆的功能,其处理单元执行非线性运算,使网络具有很强的自适应和容错能力。多年来的研究与应用表明,用它进行信号处理模式识别可以更接近于人类思维。人类的心理是一个非线性的复杂系统,用人工神经网络研究人类的心理模型不失为一条值得探索的研究途径。在本节中,我们应用RBF神经网络来建立服装选购人工心理模型。

人类心理、情感是一个复杂的非线性系统,存在着非线性和不确定性,其动态机制非常复杂,但是随着计算机技术和人工智能技术的迅猛发展,为情感的建模与预测提供了新的技术和方法。其中,人工神经网络因其广泛的适应能力和学习能力在非线性系统的预测方面得到广泛应用。

如上一节所讨论的,当进化时间较长时,用户会产生疲劳,因此希望系统具有自学习能力。针对这一问题,在本节中,将采用一种径向基神经网络离线学习方式来减轻用户的疲劳程度。径向基神经网络是一种新颖有效的前馈式神经网络,由于该网络输出层是对隐层的线性加权,使得该网络避免了像反向传播那样繁琐冗长的计算,具有较高的运算速度和推广能力,同样该网络也有较强的非线性映射功能,故而本节采用径向基神经网络来训练样本。这样,当用户感到疲劳时,就可以停止交互,而由系统采用基于交互式遗传算法的径向基神经网络来对用户历次所选的个体进行离线学习。其系统框图如图6-29所示。

978-7-111-57267-1-Chapter06-67.jpg

图6-29 IGA与RBFNN结合的检索系统框图

RBF神经网络是一种多输入单输出的前馈神经网络,这里将图像的46维特征值作为网络的输入,并将用户给出的满意度值作为输出。其网络结构如图6-30所示。

图6-30中,输入层神经元只起连接作用,不进行信号变换。隐层执行的是一种用于特征提取的非线性变换,它将输入空间映射到一个新的空间,输出层在该新的空间中实现线性组合,可调节的参数就是该线性组合的权值和控制基函数形状的参数。在图6-30中,隐层神经元采用的非线性函数是高斯函数。

978-7-111-57267-1-Chapter06-68.jpg

式中,Xt=(xt1xt2,…,xtm)为训练样本集中第t个输入样本;Ti=(t1t2,…,tn)为第i个隐层神经元的中心;σi为第i个隐层节点的归一化参数。

978-7-111-57267-1-Chapter06-69.jpg

图6-30 RBF神经网络结构

RBF神经网络的输出为

978-7-111-57267-1-Chapter06-70.jpg

式中,M为隐层单元总数;t=1,2,…,NN为训练样本集中的样本总数);ωi是第i个基函数与输出结点的连接权值。

误差定义为

et)=yt)-FXtωiTi) (6-39)

式中,yt)为实际负荷值。学习训练的过程是使样本集的总误差达到最小,即

978-7-111-57267-1-Chapter06-71.jpg(www.daowen.com)

式中,γt权重系数;γ为略大于1的常数。为使总体误差减小,可对每个权值和中心利用梯度下降法进行不断修正。

权重和中心的更新公式如下:

978-7-111-57267-1-Chapter06-72.jpg

式中,η1η2为学习效率因子,且0<η1<1,0<η2<1。如满足收敛条件,则停止;否则,令n=n+1,利用权重更新公式重新修正权重和中心。算法的收敛条件为

|EWTn+1-EWTn|<ε (6-43)

式中,ε为给定的足够小的允许误差。

将此网络应用于用户选购心理的预测。将图像的46维特征值作为网络的输入,并将用户给出的适应度值作为输出。设定交互式遗传的代数最多为10代,即时间序列的长度L=10。取网络输入节点个数为46,输出节点个数为1,隐层中心节点个数M=50,则样本个数N=30。

实验1:将前10个样本作为学习样本,后20个样本作为预测效果检验样本。学习时,经过10次迭代后的平均最小误差为0.016879。网络学习好后,将20个检验样本进行预测效果检验。学习和预测后的拟合曲线如图6-31所示。图中,粗线表示每一代中用户的预测结果,细线表示RBF神经网络的真实评测。

实验2:将前20个样本作为学习样本,后10个样本作为预测效果检验样本。学习时,经过10次迭代后的平均最小误差为0.001211。网络学习好后,将10个检验样本进行预测效果检验。学习和预测后的拟合曲线如图6-32所示。

实验结果表明,RBF神经网络具有较快的运算速度和最佳逼近性能,预测数据与实际数据基本吻合,取得了较好的效果。训练结果的分析表明,由这个模型实现的情感空间到特征空间的映射基本上是符合人的心理反映的。当用户感到疲劳时,就可以停止交互,而由系统采用基于交互式遗传算法的径向基神经网络来对用户历次所选的个体进行离线学习。经过学习,网络首先记录下用户的感性信息;然后将新的个体作为网络输入,再计算网络输出,即得到个体的适应度。在得到新的适应度之后,再进行选择、交叉、相似性匹配,直到满足用户的要求或达到最大迭代次数为止。RBFNN离线学习学习流程如图6-33所示。

978-7-111-57267-1-Chapter06-73.jpg

图6-31 20个检验样本预测后的拟合曲线

978-7-111-57267-1-Chapter06-74.jpg

图6-32 10个检验样本预测后的拟合曲线

个性化智能商品选购系统的关键技术是情感推理机的建立。用户选购心理是一个复杂的非线性系统,存在着非线性和不确定性,其动态机制非常复杂。利用传统的时间序列预测技术很难揭示其内在的规律,而人工神经网络因其广泛的适应能力和学习能力在非线性系统的预测方面得到广泛应用。本节以RBFNN用于服装选购人工心理离线学习模型的建立,来减轻用户的疲劳程度。当用户感到疲劳时,就可以停止交互,而由系统采用基于IGA的RBFNN来对用户历次所选的个体进行离线学习。

RBFNN是一种新颖有效的前馈式神经网络,由于该网络输出层是对隐层的线性加权,使得该网络避免了像反向传播那样繁琐冗长的计算,具有较高的运算速度和推广能力,该网络有较强的非线性映射功能。因此,针对进化过程中用户会产生疲劳,希望系统具有自学习能力这一问题,本节尝试采用RBFNN离线学习的方式来减轻用户的疲劳程度。对情感推理机训练结果的分析表明,由这个模型实现的情感空间到特征空间的映射基本是符合人的心理反映的。说明这是一种较为有效的建立服装选购人工心理模型的算法。

978-7-111-57267-1-Chapter06-75.jpg

图6-33 RBFNN离线学习流程

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈