改进的小脑模型神经网络及其在时间序列预测中的应用
针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.
小脑模型神经网络、地址映射、模糊隶属度函数、泛化能力、非线性时间序列、预测精度
47
TP183(自动化基础理论)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家重点研发计划;北京市自然科学基金;北京市教委科技项目
2021-06-21（万方平台首次上网日期，不代表论文的发表时间）
共9页
598-606
