权值直接确定的三角型模糊前向神经网络

为了确定前向神经网络的网络结构,提出了一种基于采样数据的含单隐层神经元的模糊前向神经网络,反映了构造数据所蕴含的系统信息,其隐层神经元激励函数选择为三角型隶属函数和构造数据相应输出的乘积。该网络模型可以随采样数据的多少自主选择构造数据,自主设定隐层神经元,利用权值直接确定法得到网络最优权值。数值仿真实验表明,相比于现有文献的已有网络模型,模糊前向神经网络具有逼近精度高、网络结构可调、较好的预测性和实时性高的优点。     

MISO多元广义多项式神经网络及其权值直接求解

 基于多元函数逼近理论,构建一种MISO(Multiple-Input, Single-Output)多元广义多项式神经网络。依据最小二乘原理,推导出基于伪逆的最优权值一步计算公式——简称为权值直接确定法;在此基础上,提出基于指数增长和折半删减搜索策略的隐神经元数自适应增删搜索算法。该新型神经网络具有结构简单的优点,其权值直接确定法、隐神经元增删算法可以避免冗长的迭代计算、局部极小点和学习率难选取等问题,同时解决了传统BP神经网络难以确定隐神经元数这一难题。仿真实验显示其具有训练速度快、逼近精度高和良好的去噪特性等特点。     

双输入样条神经网络权值与结构确定算法

基于样条函数逼近理论构建了以样条函数乘积为隐层神经元激励函数的三层双输入样条神经网络。该网络依据输入变量的空间结构,实现了训练数据的网格化划分,网络结构可随训练数据和网格划分数的变化进行相应调整,生成的权值矩阵做到了一步直接确定。仿真实验表明,双输入样条神经网络具有较高的建模精度,较短的运行时间,有效确定了训练数据网格划分数与网络结构的关系。