计算机应用与软件
計算機應用與軟件
계산궤응용여연건
COMPUTER APPLICATIONS AND SOFTWARE
2015年
1期
199-202
,共4页
Ulam-von Neumann映射%非径向对称基函数%径向基函数神经网络
Ulam-von Neumann映射%非徑嚮對稱基函數%徑嚮基函數神經網絡
Ulam-von Neumann영사%비경향대칭기함수%경향기함수신경망락
Ulam-von Neumann map%Asymmetrical radial basis function%Radial basis function (RBF) neural network
为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构.为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点.给出基于混沌映射的非径向对称基函数的网络模型构建步骤.采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比.比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点.
為提高神經網絡模型的預測精度,構建瞭非徑嚮對稱基函數神經網絡模型結構.為確定非徑嚮對稱基函數神經網絡模型參數,採用Ulam-von Neumann映射規則確定混沌變量,利用混沌變量的遍歷性穫得不同網絡結構參數下的最優網絡輸齣,以減少所構建網絡模型的實際輸齣與期望輸齣的差值,併利用模型輸齣的誤差變化率以決定是否增加新的隱層節點.給齣基于混沌映射的非徑嚮對稱基函數的網絡模型構建步驟.採用基于Mackey-Glass時滯微分方程的混沌時間序列預測問題驗證該模型的預測精度,併同其他文獻對該序列預測的精度以及所需隱層節點數作對比.比較結果錶明,採用該設計模型具有對時間序列預測精度高且所需網絡結構規模小等優點.
위제고신경망락모형적예측정도,구건료비경향대칭기함수신경망락모형결구.위학정비경향대칭기함수신경망락모형삼수,채용Ulam-von Neumann영사규칙학정혼돈변량,이용혼돈변량적편력성획득불동망락결구삼수하적최우망락수출,이감소소구건망락모형적실제수출여기망수출적차치,병이용모형수출적오차변화솔이결정시부증가신적은층절점.급출기우혼돈영사적비경향대칭기함수적망락모형구건보취.채용기우Mackey-Glass시체미분방정적혼돈시간서렬예측문제험증해모형적예측정도,병동기타문헌대해서렬예측적정도이급소수은층절점수작대비.비교결과표명,채용해설계모형구유대시간서렬예측정도고차소수망락결구규모소등우점.
