2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

RBF神经网络的结构动态优化设计

乔俊飞 韩红桂

乔俊飞, 韩红桂. RBF神经网络的结构动态优化设计. 自动化学报, 2010, 36(6): 865-872. doi: 10.3724/SP.J.1004.2010.00865
引用本文: 乔俊飞, 韩红桂. RBF神经网络的结构动态优化设计. 自动化学报, 2010, 36(6): 865-872. doi: 10.3724/SP.J.1004.2010.00865
QIAO Jun-Fei, HAN Hong-Gui. Optimal Structure Design for RBFNN Structure. ACTA AUTOMATICA SINICA, 2010, 36(6): 865-872. doi: 10.3724/SP.J.1004.2010.00865
Citation: QIAO Jun-Fei, HAN Hong-Gui. Optimal Structure Design for RBFNN Structure. ACTA AUTOMATICA SINICA, 2010, 36(6): 865-872. doi: 10.3724/SP.J.1004.2010.00865

RBF神经网络的结构动态优化设计

doi: 10.3724/SP.J.1004.2010.00865
详细信息
    通讯作者:

    韩红桂

Optimal Structure Design for RBFNN Structure

More Information
    Corresponding author: HAN Hong-Gui
  • 摘要: 针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.
  • 加载中
计量
  • 文章访问数:  1780
  • HTML全文浏览量:  66
  • PDF下载量:  2661
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-08-27
  • 修回日期:  2009-10-23
  • 刊出日期:  2010-06-20

目录

    /

    返回文章
    返回