机器学习计算权重的方法.docxVIP

PAGE \* MERGEFORMAT 4 机器学习计算权重的算法 路璐 用机器学习来计算权重，有一定的优势，这种计算模型可以根据环境和调节的变化，所算的权重也随着变化，达到与时俱进的效果。 对于已经设定好指标的被评估主体，指标体系中各指标有不同的量纲，需要转换为无量纲的标准化指标，关于评估指标标准化方法，在以前的总结中诠释过：评估指标分为正向型和逆向型。正向型具有越大越优的性质，逆向型是越小越优的性质。在fj（1≤j≤n）个评估指标中，m个评估方案（待评）ai（1≤i≤m）,m个方案n个指标构成矩阵X=（xij）m*n叫做评估矩阵。在评估矩阵中，对于正向指标，取xj*=max1≤i≤m（xij）≠0,则yij=xijxj* 把评估过程按层次分为输入、隐含层和输出，每层间是全互联方式，同层间没有连接。设输入向量为X∈Rn,X=(x1,x2,….xn,)T;隐含层Z∈Rj, Z=(z1, Zj =f(i=1nW Yk =f(j=1lW 函数f（*）满足f（uj）= 如果近似映照函数是F，X为n维空间的有界子集，F（x）为m维空间有界子集，Y=F（x）为： F：X?R 通过P个实际的映照对（x1，y1），（x2，y2），……（xp，yp）的训练，目的是得到权重Wij， 训练后得到权重，对其他不属于P(P=1,2……P)的X子集进行测试，使结果满足正确的映照。 机器学习的算法是对简单的?学习规律的推广和发展。设输入学习样本P个，即x1，x2，……xp，已知与其对应的规律是T1，T2 Zj =f(i=0 Yk =f(j=0 当第p个样本输入时，得到的输出Yl ，l=0,1，……m，其误差为各输出误差和，满足：Ep =12l=0 设Wsh为任意的权重，Wsh包含阈值在内，E为一个与W E=p=1p W=( ?学习规则实质是利用梯度最速下降法，使权重沿误差函数的负梯度方向改变。若权重Wsh的修正值为?W 令g为运算的迭代项数，由梯队下降法，可得到权重的迭代公式为Wjk(g+1)= W Wij(g+1)= W 式中?为学习因子，从式中可知，Wjk Wjk(g+1)= Wjk(g)-?p=1pφjkpZjp式中：φjkp=（tlp-yl 其中学习因子?取值越小越好。?值越大，每次权重变化越剧烈，可能导致学习过程发生振荡。因此，为了学习因子足够大，又不振荡，得： Wji(t+1)= Wji(t)+ ?φki 式中?为学习因子，a为动量项，它决定上次学习权重变化对本次权重更新的影响程度。且0?1, 0 其均方根误差定量反映学习性能：E(W)=p=1P 按照梯度最速下降算法，均方根误差应是逐渐减小。输入和输出是实数值，学习是否满足性能要求是由实际输出与期望输出的逼近程度决定。当E（w）值低于0.1时，表明给定输入样本学习以满足要求。 通过这样的机器学习算法，可以让得到的因子间权重适应环境和条件的变化。 二〇一六年四月二十一日