紧支撑径向基函数网络在函数逼近中的应用研究

径向基函数网络能够以任意精度逼近任意连续函数。目前径向基函数神经网络中普遍使用高斯基函数作为激励函数,用它来训练网络时,首先需要确定径向基函数的扩展常数SPREAD.SPREAD设定过小,函数逼近时会出现过适性,SPREAD过大,函数逼近时会出现不适性。所以创建径向基函数网络时,需根据不同的训练集和精度要求,选择多个不同的SPREAD值来反复比较网络输出值和目标值,以确定相对较好的逼近情况,这给实际使用带来一定的困难和不便,且无法保证该选择是最佳值.本文研究使用紧支撑径向基函数作为激励函数来设计神经网络,并分析其在函数逼近中的实际应用。     

自适应动态三次指数平滑法在交通预测中的应用

针对传统三次指数平滑法预测模型中平滑系数固定不变、难以跟踪时间序列随时间变化的因素、无法反应不同时间段历史数据对预测结果的影响等缺点,提出了一种改进的动态三次指数平滑法.该方法通过误差平方、最小原则和地毯式搜索算法来获得动态调整的平滑因子,对波动范围较大且呈非线性变化规律的数据有很强的适应性.将自适应动态三次指数平滑法与SARIMA模型、三次指数平滑法进行对比,由铁路旅客发送量的仿真实例分析结果可知,自适应动态三次指数平滑法能更好地适应时间序列的变化趋势,具有良好的预测精度.