本文關(guān)鍵詞：基于群體劃分優(yōu)化的GAP-RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

  更多相關(guān)文章： 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 增長剪枝徑向基函數(shù)算法 粒子群優(yōu)化算法 遺傳算法

【摘要】：針對傳統(tǒng)GAP-RBF算法學(xué)習(xí)精度不夠高的問題,提出一種基于群體劃分優(yōu)化的GAP-RBF網(wǎng)絡(luò)學(xué)習(xí)方法。首先,為了克服傳統(tǒng)GAP-RBF中存在的大型矩陣的計(jì)算問題,用DEKF(Decoupled EKF)方法調(diào)整網(wǎng)絡(luò)參數(shù);其次,為了獲得學(xué)習(xí)精度更高的網(wǎng)絡(luò)模型,算法利用基于PSO和GA的群體劃分優(yōu)化方法來訓(xùn)練隱含層和輸出層的連接權(quán)值以及偏移項(xiàng)。實(shí)驗(yàn)結(jié)果表明,與RAN、RANEKF、MRAN和GAP-RBF算法相比,提出的算法可獲得更精簡的網(wǎng)絡(luò)結(jié)構(gòu),同時(shí)提高了學(xué)習(xí)精度。
【作者單位】： 江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院;
【關(guān)鍵詞】： 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 增長剪枝徑向基函數(shù)算法 粒子群優(yōu)化算法 遺傳算法
【基金】：物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心,中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(JUSRP51510)
【分類號(hào)】：TP18
【正文快照】： 0引言 近年來,隨著人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等方面的發(fā)展,神經(jīng)網(wǎng)絡(luò)的研究受到了學(xué)者們的廣泛關(guān)注。在眾多的神經(jīng)網(wǎng)絡(luò)模型中,徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)能夠解決復(fù)雜非線性問題,在模式識(shí)別、回歸分析和動(dòng)態(tài)建模等領(lǐng)域得到了廣泛的應(yīng)用[1-4],并且具有推廣能力好,學(xué)習(xí)方法速度

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 王藤藤;基于社團(tuán)發(fā)現(xiàn)的微博群體劃分與特征提取[D];北京郵電大學(xué);2015年

，

本文編號(hào)：534922