La función de la red BP y la aplicabilidad de la predicción de altura.
Las redes feedforward multicapa pueden aprender y almacenar una gran cantidad de relaciones de mapeo de patrones de entrada-salida. Incluso si no conoce la ecuación matemática que describe esta relación de mapeo, siempre que pueda proporcionar suficientes pares de patrones de muestra para el aprendizaje y entrenamiento de la red BP, puede completar el mapeo no lineal desde el espacio de entrada N-dimensional al espacio de salida M-dimensional. , es decir, capacidad de mapeo no lineal. En la ingeniería y en muchos campos técnicos, para un sistema de entrada y salida, a menudo se acumula una gran cantidad de datos de entrada y salida relevantes, pero sus leyes de implicaciones inherentes aún no se comprenden y las leyes no se pueden describir utilizando métodos matemáticos. Para problemas que son difíciles de obtener soluciones analíticas y carecen de experiencia experta, las redes de alimentación directa de múltiples capas tienen ventajas incomparables, pero pueden expresarse y transformarse en reconocimiento de patrones o mapeo no lineal. A través de la red de avance multicapa entrenada, la relación de mapeo no lineal entre los pares de muestras extraídos se almacena en la matriz de peso. Cuando se ingresan a la red datos que no son de muestra y que no se pueden ver durante el entrenamiento, la red también puede completar la transformación. el espacio de entrada El mapeo correcto al espacio de salida, es decir, la capacidad de generalización, es un aspecto importante para medir el rendimiento de las redes feedforward multicapa. Debido a que el ajuste de la matriz de peso es un proceso de extracción de características estadísticas de una gran cantidad de muestras, el conocimiento que refleja las reglas correctas proviene de todas las muestras y los errores en las muestras individuales no pueden controlar el ajuste de la matriz. Por lo tanto, las redes de avance multicapa permiten errores grandes o incluso errores individuales en las muestras de entrada, es decir, tolerancia a fallas.
El algoritmo estándar tiene muchas deficiencias en la aplicación, como tiempos de entrenamiento elevados, baja eficiencia de aprendizaje, velocidad de convergencia lenta, falta de orientación teórica en la selección de nodos ocultos y fácil olvido de muestras antiguas al aprender muestras nuevas. , y fácil formación de extremos locales. Pequeño valor para obtener excelencia local total. Al agregar el término de impulso α a la fórmula de ajuste de peso, ajustar adaptativamente la tasa de aprendizaje η e introducir el factor de pendiente λ en la función de transferencia, el algoritmo BP se mejora efectivamente y su aplicabilidad se mejora aún más.
Por lo tanto, la red neuronal artificial BP se utiliza para establecer la relación de mapeo no lineal entre la altura de la zona de fractura conductora de agua y sus factores que influyen, dando pleno juego a la capacidad de generalización de la red BP, y Introduciendo los factores que influyen para predecir la altura de la zona de fractura conductora de agua con una precisión ilimitada.