|
|||||
|
|
| 带后续迭代的双极S函数激励的WASD神经网络 | |
| 作者姓名： | 张雨浓 肖争利 丁思彤 毛明志 刘锦荣 |
| 作者单位： | 中山大学数据科学与计算机学院;华南理工大学自主系统和网络控制教育部重点实验室;广东顺德中山大学卡内基梅隆大学国际联合研究院 |
| 基金项目： | 国家自然科学基金资助项目(61473323);广州市科技计划资助项目(2014J4100057);自主系统与网络控制教育部重点实验室开放基金资助项目(2013A07);大学生创新创业训练计划资助项目(201410558065;201410558069) |
| 摘 要： | 结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。 |
| 关 键 词： | 神经网络 权值与结构直接确定 后续迭代 双极S激励函数 数值实验 |
| 本文献已被 CNKI 等数据库收录！ | |