[发明专利]基于人工神经网络的实验数据分析处理方法

说明书

技术领域

本发明涉及一种处理实验数据的方法，尤其涉及一种采用人工神经网络的算法，对实验数据进行分析处理和结果预测的方法，属于数据处理技术领域。

背景技术

在科学研究中，经常需要通过实验来寻找所研究对象的变化规律，并通过对规律的研究达到各种实用的目的，如提高产量、降低消耗等。最优实验方案的获得，必须兼顾实验设计方法和数据处理两方面，两者是相辅相成、相互依赖、缺一不可的。

只有科学的实验方案，才能用较少的实验次数，在较短的时间内达到预期的实验目标；反之，往往会浪费大量的实验数据。另一方面，合理的实验设计只是实验成功的充分条件。如果没有实验数据的分析计算，就不能对所研究的问题有一个明确的认识，也不可能从实验数据中寻找到规律性的信息，所以实验设计都是与一定的数据处理技术相对应的。数据处理技术的作用主要体现在如下几个方面：

(1)通过误差分析，可以评判实验数据的可靠性；

(2)确定影响实验结果的因素主次，从而可以抓住主要矛盾，提高实验效率；

(3)可以确定实验因素与实验结果之间存在的近似函数关系，并能对实验结果进行预测和优化；

(4)实验因素对实验结果的影响规律，为控制实验提供思路；

(5)确定最优实验方案或配方。

在科学研究中，人们通常所遇到的数据处理问题大致可分为两类：一类是结构性问题，如数值计算和方程求解等，对这些问题可以利用冯·诺依曼计算机解决。另一类问题是非结构性问题，如图像和语音的识别、专家决策等，对这些问题如果采用冯·诺依曼计算机来处理是很困难的，甚至是不可能的。根据研究，这些非结构性问题大多是复杂的非线性问题，采用一般的数据处理和分析方法难以胜任，但利用人工神经网络系统的有关算法往往能够予以解决。

人工神经网络系统(Artificial Neural Network System)是由大量简单的基本单元-网络节点(神经元)相互连接而成的具有自适应性的非线性动态分布式网络系统。它是以对大脑的生理研究成果为基础，根据生物学中神经网络的基本原理而建立的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。虽然每个神经元的结构和功能十分简单，但是由大量的神经元组合而成的整个系统却非常复杂，功能非常强大。

人工神经网络系统具有以下的特性：

1.采用并行分布处理方式。由大量神经元相互连接而成的人工神经网络系统可以提供并行式处理和并行分布信息存储的能力；

2.具有很强的自适应性和自组织性。通过强有力的学习算法和自组织规则，使系统可以在不断变化的环境中对提出的每一要求进行自适应；

3.采用非线性处理方式。具有执行非线性任务和去除噪音干扰的能力，使系统能够很好地用于模式识别和预测。

人工神经网络系统是一个能够学习的系统。它能够通过已知数据的试验运用来学习和归纳总结，自适应不知道或不确定的系统，从而充分逼近任意复杂的非线性关系。因此，许多复杂的运算、模式识别和过程控制等任务都可以利用人工神经网络系统来完成。但是，就发明人所知，目前尚没有将人工神经网络系统应用于实验数据处理的成熟解决方案。

发明内容

本发明所要解决的技术问题在于提供一种基于人工神经网络的实验数据分析处理方法。该实验数据处理方法不但可以处理一些常规的线性问题，还可以处理一些较为复杂的非线性问题。

为实现上述的发明目的，本发明采用下述的技术方案：

一种基于人工神经网络的实验数据分析处理方法，所述人工神经网络具有三层网络结构，其中第一层为输入层，第二层为隐层，第三层为输出层，每层中均包含多个网络节点，隐层中的每个网络节点分别与输入层和输出层中的网络节点相连接，其特征在于包括如下的步骤：

(1)设定人工神经网络中每层的网络节点数目和学习样本数目；

(2)对输入的实验数据进行归一化处理；

(3)读入一组学习样本和希望输出，随机给定各个网络节点的连接权值，计算隐层中各个网络节点的输入值和输出值；

(4)计算输出层中各个网络节点的输出值；

(5)计算整个人工神经网络的输出与实测结果的能量误差函数；

(6)修正各个网络节点的连接权值：通过连续迭代的方式计算连接权值的增量，使其沿着能量误差函数随连接权值变化的负梯度方向不断修正，在迭代过程中计算全部样本的总能量误差函数；

(7)如果迭代计算轮次达到所设定的值或者计算精度达到所设定的要求，则结束迭代过程，保留计算出的各个网络节点的连接权值；