摘要:提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习鞍算法.为了验证网络的学习性能,采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.
关键词:广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测
单位:西安交通大学电气工程学院; 西安710049
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社