[发明专利]一种大数据中面向乱序数据流的反向传播方法

权利要求书

1.一种大数据中面向乱序数据流的反向传播方法，其特征在于该方法运用神经元动态优化方法，根据环境要求自适应调整网络训练结构，自动删除无效训练节点，优化迭代训练过程；并在网络学习过程中动态调整神经网络三因子，使收敛更稳定，该方法具体步骤如下：

输入样本期望输出值、样本输出值和训练样本输入值，神经元节点个数，

输出满足条件的样本训练值，

步骤1：设定一个学习模式，利用BP网络的无监督模式执行算法；

步骤2：初始化各层参数，将权学习指数、动量因子、阈学习指数均默认设为1.5；

步骤3：设定学习最大次数以及误差范围，为保证算法精确度，误差范围设为0.001；

步骤4：动态修正隐层与输出层的连接权及阈值，并计算各单元误差ε，将所得误差与误差范围进行对比，满足条件则停止学习计算，否则转入步骤5；

步骤5：动态调整权学习指数、动量因子、阈学习指数，并继续计算各单元误差；

步骤6：将步骤5所得各单元误差与学习停止条件进行比较，当达到预设条件时，学习结束；步骤7：输出输出层的最后训练结果。

2.根据权利要求1所述的一种大数据中面向乱序数据流的反向传播算法，其特征在于所述的神经元数量选取方法，过程如下：设网络结构中输入层节点的输出等于其输入，网络中的隐含层有Q个节点，隐含层和输出层节点的输入是前一层节点输出的加权和，每个节点的激励程度由激励函数Sigmoid决定；在训练网络的学习阶段，设有N_P个训练样本，先假定用其中的某一固定样本中的输入输出模式对网络进行训练，若网络输出与期望输出值不一致，则将其误差信号从输出端反向传播，并在传播过程中对加权系数修正，使在输出层节点上得到的输出结果尽可能接近期望输出值；对样本完成加权系数的调整后，确定神经网络中隐层神经单元数量N_H，由公式（1）确定：

NH=NI*NO+NP/2---(1)]]>

其中N_I代表输入神经元的数量，N_O代表输出神经元的数量，N_P代表训练样本数，利用Sigmoid函数计算各层误差，并与学习停止条件对比，直到完成样本的训练学习为止。