研究水中溶解氧含量的预测问题,可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂,很难进行数学建模,神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传...研究水中溶解氧含量的预测问题,可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂,很难进行数学建模,神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传统神经网络具有陷入局部极小、收敛速度慢并且网络冗余度较大等缺陷,为提高网络的正确预测能力和泛化能力,采用多层激励函数(modulation transfer function,简称MTF)与量子神经网络(quantum neural network,简称QNN)相结合建立水中溶解氧预测模型,但若用神经网络作为前馈型网络,它的沿梯度下降的算法会使其在进行网络训练时有可能陷入局部极小,针对这一缺陷,提出一种可以使量子神经网络逃离局部极小点的算法,并将它应用到量子神经网络中进行网络误差调整。仿真结果表明,与传统BP(back propagation)神经网络预测结果相比,采用多层激励函数的量子神经网络(modulation transfer function-quantum neural network,简称MTF-QNN)预测水中溶解氧含量的预测精度更高。展开更多
文摘研究水中溶解氧含量的预测问题,可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂,很难进行数学建模,神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传统神经网络具有陷入局部极小、收敛速度慢并且网络冗余度较大等缺陷,为提高网络的正确预测能力和泛化能力,采用多层激励函数(modulation transfer function,简称MTF)与量子神经网络(quantum neural network,简称QNN)相结合建立水中溶解氧预测模型,但若用神经网络作为前馈型网络,它的沿梯度下降的算法会使其在进行网络训练时有可能陷入局部极小,针对这一缺陷,提出一种可以使量子神经网络逃离局部极小点的算法,并将它应用到量子神经网络中进行网络误差调整。仿真结果表明,与传统BP(back propagation)神经网络预测结果相比,采用多层激励函数的量子神经网络(modulation transfer function-quantum neural network,简称MTF-QNN)预测水中溶解氧含量的预测精度更高。
