对任 意一 函数都可 用一 正交 函数来实现逼 近
這是 Google 對 http://wenku.baidu.com/view/a121023667ec102de2bd8985.html?from=related 的快取。 這是該網頁於 2011年11月14日 17:28:10 GMT 顯示時的快照。 在此期間,目前網頁可能已經變更。 瞭解更多資訊
百度文库_文档分享平台 |
全部 DOC PDF PPT XLS TXT
|
第 3 卷 第 1 6 期 2 9 00 计 算 机 科 学 V o . 6 No 1 13 . 1月 C mD t r ce c o u e S i n e Jn 20 a. 0 9 正 交 泛 函 网络 函数 逼 近 理 论 及 算 法 周永 权 吕咏梅 申 芸 ( 西 民族 大 学数 学 与计算机 科 学 学院 南 宁 50 0 ) 广 3 06 摘 要 基 于正交函数 的概念和特性 , 出一种正交泛 函网络新模 型, 出了正交泛 函网络 学习算法。该 算法是借 助 提 给 于正 交函数性 质和 L gag 乘数 法做辅助 函数 , a rn e 对泛 函参数 学 习过程 归 结为求解 一组线 性方程 组的过 程。最后 , 通 过 函数逼近 算例 计算机 仿真结果表 明, 该算法十分有效 , 有模 型简单、 具 逼近精度 高等特 点。 关键词 正交函数 , arn e乘数 法 , 交泛 函网络 , 习算法 , L gag 正 学 函数 逼近 TP 8 1 Orho o a n to Ne wor pr xi a eTh o y a a n ng Al o ih t g n lFu c in t k Ap o m t e r nd Le r i g r t m ZHOU n - u n LU n Yo g q a Yo  ̄me S i HEN n Yu ( l geo a h m aisa d Co u e ce e Gu n x Col fM t e tc n mp t rS inc , a g iUni riy frNa inaiis Na nn 3 0 6, ia e vest o to lt , n ig 5 0 0 Chn ) e 中图法分 类号 Abta t Thsp p rp e e tdan w ido u cin l ewo km o e whc sb sdo rh g n l u cin , e r — sr c i a e rs ne e kn f n t a t r d l ih i ae no t o o a n t s alan f o n f oi g a g rt m fo t o o a u c i n l e wo k wa r p s d,h e r i g o u c in p r me e s u e r h g n lf n — n lo i h o r h g n l n t a t r s p o o e t e la n n ff n t a a t r s s o t o o a u c f o n o t n c a a t rs i a d La r n e m utp ir y me n fa x l r u c i n a d s l i g a s s e o ie r e u t n o — i h r c e it n g a g li l s b a s o u ii y f n to n o v n y t m fl a q a i b o c e a n o tisf n t n aa ees Fial , x e i n n a p o i t g t pc lfn t n sgv n Th i uainr s ls an u ci sp rm tr . n l Ane p rme ti p r xmai y ia u ci swa ie . esm lt eut o y n o os o t a h e r i g a g rt m r s n e n t e p p rh s r p d c n e g n e s e d a d p we f lp r o m a c . h w h t t e la n n l o i h p e e t d i h a e a a i o v r e c p e n o r u e f r n e Ke wo d Orh g n l f n t n L g a g y rs t o o a u c i , a r n e mu t l r , t o o a u c i n ln t r s Le r i g ag rt m , n t n o l p i s Or h g n lf n to a e wo k , a n n l o i i e h Fu c i oa pr x m a e p o i t 备 一 些 特 殊 的性 质 _ “ , 而 被 广 泛 地 用 于 一 些 复 杂 系 统 的 1 ]因 1 引言 19 9 8年 E C sio 出 了 泛 函 网络 [ , 近 年 来 提 出 的 . atl 提 l 1是 ]一 建模和求解 , 如非线性 系统辨 识 、 系统控 制建模 等 。近 年来 , 神经 网络( 包括正交神经 网络 ) 在这方面 已取得 了许多令人鼓 舞 的成果[ 1 。系统建模为多层前 馈神经 网络 , 过优化一个 通代 价 函数 的方 法 ( 梯 度 法 等 ) 进 行 权 值 学 习 。尽 管 这 些 算 如 来 种新的对传统神经 网络 的推广 。泛 函网络 处理的是一般 的 泛 函 模 型 , 在 各 个 神 经 元 之 间 连 接 无 权 值 , 且 神 经 元 函 数 它 并 不 固 定 , 是 可 学 习 的 , 常 是 一 些 给定 的 函数 簇 ( 多 项 式 、 而 常 如 法在许 多情况 下性能较好 , 实际 中神 经网络存 在结构过 于 但 复杂 、 结点过多 , 并且 在学习过程中容易陷入局部极小点而 导 致逼近 能力有 限等问题 , 因此在一些 复杂 系统建模 时 , 存在较 大 的建模误差 等问题 。 另 一 方 面 , 管 泛 函 网络 具 有 学 习能 力 、 输 人 并 行 处 理 尽 多 三角函数 、 o r r F u i 展开式等 ) e 的线性组合 , 人们 可根据 特定 的 问题选 取不同的 函数簇来满足不 同背景 问题 系统 的建模和求 解 的需求。泛函网络 已经 被成 功地应用 于非线 性 系统辨 识 、 混沌 时间序列预测 、 微分 、 差分 和泛 函方程求解 、 AD、 性 、 C 线 非线 性回归等领域[ 。在 此基础上 , 者近年 来致 力于泛 函 2 ] 作网 络新 模 型 、 习算 法 和应 用 基 础 方 面 的研 究 , 别 在 计算 智 学 特 能力 、 非线性映射和容错能力 , 以及通过新的学习获得 自适应 性 的能力 , 但是在其应用过程 中, 与神经 网络所不 同的是泛 函 网络不是权 的学 习 , 而是结构和参数 的学 习 , 学习 的 目的就是 能的数学理论方法 上获 得 了一些研 究成 果_ 引, 现泛 函 网 3 发 络在解决 上述问题 中都表现 出较好 的逼 近性 能。虽然泛函 网 络 已经成功 被应用 于很多方 面, 由于泛 函网络是近 年来 提 但 出的一种新 的对神经 网络 的推 广 , 些理论 和应用方 面的基 有 础还 不太健全 , 需要 我们不 断地提 出更适合所 要解决 的新 的 网络结构 , 完善基础理论 , 提出新 的逼近算法 。 求 出神经元 函数 的精 确表达式或近似表达式 。泛 函网络 的数 学本质 对应 的是 一些泛 函变换 , 的拓 扑结构描述 的是一个 它 函数变换 。函数变换 的类 型很 多 , 以表 示 函数 变换 的泛 函 所 网络模 型也很多 , 其拓扑结构也千姿百态 , 很难构造 出一个通 用 的泛 函网络来表示所有 的函数变换 。但对正交泛 函网络来 本文的主要工作是提出一种新的泛函网络模型, 即正交 泛 函网络 , 网络 中 的神 经 元 函数 是 一 些 正 交 函数 , 著 名 如F u i 级 数 、 esl or r e B se 函数 和 L gn r 多 项 式 等 基 函数 的 线 性 ee de 讲, 由于它的拓扑结构描述 的是一个正交 函数 变换 , 因此我们 可用一 个统一 的通用结 构来描述所 有 的正 交泛函 网络 , 可 也 用一个 统一 的泛 函方程 表示所有 的正交泛 函网络 , 这就是正 交泛 函网络 的优 势所在 。因此 , 究正交 泛 函网络 函数逼 近 研 组合 。由于正 交函数除 了具 备一般 函数 的性质 外 , 本身还 具 到 稿 日期 :0 80 —2 2 0 —22 本文 受 国家 自然科 学 基 金 (0 6 0 1 , 6 4 10 ) 国家 民委 科 研 基 金 (8 0 ) 广西 自然 科 学 基 金 (5 2 4 ) 助 项 目 。 0 GX 1和 0408资 周永权 (9 2 , , 1 6 一)男 博士 , 教授 , 主要研究方 向为计算智能 、 神经 网络 及应用 , — i y n q a zo @1 6 cm; E ma : o g un h u 2 .o 吕咏梅 ( 9 1 )女 , l 1 8 一 , 硕士研究 生, 主要研究方 向为计算智能及其应用 ; 申 ? 芸 (9 1 , , 1 8 一)女 硕士研究生 , 主要研究方 向为神经 网络及其应用 。 18 ? 3 机理 及其学 习算法 , 对于完 善泛 函网络基础理 论和拓广 其应 络, 通过学习来确定泛 函网络 的参 数 , 最终实现对任意一 函数 都可用一正 交函数实现最佳逼近 。 上 面讨论 的是一元正 交 函数情 形 。对 于多元 正交 函数 , 我们可通过 一元 正交 函数 的合成或复合来实现对 多元 函数的 逼 近 。 例 如 一 个 m 元 函 数 _( , 用 m 元 正 交 函 数 集 { 厂 X) 可 中 用领域有 着重要的理论价值和应用背景 。 本文首先给 出正交 函数的概 念和性 质 , 为设 计正 交泛 作 函网络的基本理论 。在 此基础 上 , 计 出一 类正交 泛 函网络 设 模型 , 然后 给出正交泛函 网络学习算法 , 该算法是基于正交 函 数特性和 L ga g 乘 数法 , a rn e 通过解方程组 的方法来 确定待学 习的泛 函参数 , 算法简单 、 效可行 。最后 , 有 通过 一些 函数 逼 近实例 , 算机仿真表 明 , 计 该算 法具 有求解 简单 、 逼近 精度 高 等特点 。 ( , X) … , , 中每一个 函数 可定 义为 X) 中 ( , }其( ) X 一 1( ) - ) z1 2( 2 … ( ) 1 2 … z ;一 , , () 7 这样一来 , 多元 函数就转化成一元正交 函数情形 。 3 正 交泛 函 网络 一 2 理论 基础 根据正交 函数 理论 [,] 对于任意一 函数 厂 - , ,3 11 , 34 ( ) f: 5 z一 ( 实数域 )存在一个正交 多项 式 ,( = a 1 z) a 2 z) I 3 ( + … - a ) l ( + z ( - a 3 z) - ] ( - z)( ) 1 般地 , 泛函网络 由输入 单元层 、 存储层 、 处理层 、 出层 输 和一组连接 5 部分组成[ 。它对应的是泛 函变换 , 的拓扑结 它构描述 的是一个函数变换 系统 。那么 , 正交泛 函网络结构 除一 般泛函网络特点外 , 它对应 的是泛 函正交变 换 , 拓扑结构 描 其 述的是一个正交 函数变换 系统 。在实际应用 中, 根据 问题 的不 使 得 下 面 的式 子 成 立 l i mI( () ( )。x一 0 厂 一 z )d 其 中 ㈤ d 一 x () 2 同设计不 同类型正交泛 函网络 , 完成相应的正交 函数变换。 3 1 正 交 泛 函 神 经 元 网 络 模 型 . 假设泛 函神经元 函数 _ ) 厂 是一个计算单元 , 的计算模 ( 它型 如 图 1所 示 。 / —、 X●—一、、- , >—— _ _ — x ) / a — I ( ) x d / ii 12… i 厂 z ( )x A ,一 ,, { ( ) 声 ( ) …, ( ) 是一个正交 函数序 列 。 . ,zz , z ) z () 3 图 1 泛 函神 经 元 模 型 式 ( ) ( ) 明 了 任 意 一 函 数 可 由一 组 正 交 函数 序 列 和 1 一 3表 根据泛 函网络 的结构 特性 , 每个 泛 函神 经元 函数都 可 以 由一些 已知基 函数 簇 的线性 组合 来 逼近 。根 据第 2节 的知 识 , 们可将 图 1中泛 函神经元表示 成一组 正交基 函数的线 我 系数 a 来惟一逼 近。若 函数 _ z 是未 知 , 厂 ) ( 通过 方程 ( ) 们 3我 无法获得 系数 a 。恰好这种情形在动力 系统许 多复杂 建模 时 性组合 的形 式。这里 , 我们 称该 神经 元 为正交 泛 函 神经元 。 进一步 , 我们可将 图 1中的泛 函神经 元模型 变为 图 2中的模 型形式 , 即正交 泛函神经元网络模型 。 都属 于函数 - - 是未知 或难 以确 定的情形 , 厂z () 因此我们寻找 一 种新 的方法 , 通过输入输 出数据来 确定 系数 n , 有着重 要的应 用价值 。 接着分析 正交 函数的收敛性 。考虑下式 : o ( 一 ()x ≤l, ) ∑a )d (z ≠ z — r(z一 吼, )( + 厂 )x 2 『( z d z )I( 一∑n zd _ )x 厂 ( 4 图 2 正交泛 函神经元 网络模型 一 实 质 上 , 2给 出 的 正 交 泛 函 网 络 是 图 1泛 函 网 络 的 展 图 由此 可 得 到 开形式 , 这样显 得结 构直观明了 , 于下 面讨论 。 便 在图 2中, 假设输 入数据 X一{ , , } 输 出数据 z …, , 为 Y 则该 网络 输出表达式 ,一 ∑n≤I( 。 zd o )x f这说 明正交 函数表达式 ( ) 1 中系数是收敛 的。 此外 , 假设 厂 x) 哦 ( ( 一 x) () 8 () z 是任 意一正交 函数 的展 开式 , 了实 为 其 中 ,i a 是正 交 函 数 ( 的系 数 ; ( , ( , , x) { X) x) … ( ) X) 是正交 函数集 。在正交泛 函 网络模 型 中, 途最广 泛 的 用是 一些 可 分 离 正 交 泛 函 网络 。 3 2 可 分 离 正 交泛 函 网 络模 型 .一 现最佳逼近 目标函数 , 最优 的系数 , 寻求 考察误差代价函数 E 厂 ) —J ( 一∑b ( )x (z i z  ̄ )d 利 用 式 ( ) 于 正 交 函 数 系 数 的 表 达 式 , ( )可 写 成 3关 式 5 ( 5 ) 个 可分离正交泛函 网络结构如 图 3 所示 。 E— _ ) b z) r 厂 一∑ ( ( )d — 厂z。 +∑A(— 1 一∑A ()L c r i a。 b ) 口 ( 6 ) 从上 面的讨论我们 可得到 : 对任 意一 函数都可 用一 正交 函数来实现逼 近 , 且正交 函数表达 式中系数是惟一和有界 的。 基于这些事实 , 将正交 函数集作 为泛函网络的基 函数集 , 正交 函数表达式 中系数 作 为泛 函 网络 的参数 来 构建 正交 泛 函 网 图 3 一 个 可 分 离 正 交 泛 函 网 络模 型 设 该 网络 的输 入 数 据 为 X { - , , } 一 { l 一 z ,z… , z X, … , , m}通过解方程组 ( 5 , 1 ) 可求 得泛 函参数 { l=1 2 … , n ,, z , , }则该 网络输出为 。… ,0 m k r ,, , 及 A ;一1 2 … } 。由于在 第 2节 , 我们 已经 知道该 泛 函 () 9 参数是惟一 的 , 此通过 解方 程 组 ( 5 所 得到 解是 最优 解 。 因 1) 至 于其 他类型 的正交泛 函网络 的学习算法 , 可仿 照该过程 给 出, 里不再赘述 。 这 ( 1z , ) ∑ ∑ ( j - , 2 …, 一 z x) 其 中神经元 { 1 一1 2 … , 12 一12 … , 是 形如 , , ; , ; , , m}() 的正交多项式 。 1式 4 正交泛 函网络 学 习算法 本节我们 以可分 离正 交泛 函 网络 为例来 给出其 学 习算 法 。在图 3所示 的网络 结构 中, 中每一个 泛 函神经元 可 以 其是 图 1 示 的模 型 , 可 以 是 变 形 后 图 2所 示 的 模 型 。 以 下 所 也 分两种情形 : 5 函数逼 近实 例 本 节 仅 考 虑 正 交 泛 函 网络 函数 的逼 近 性 能 。为 了验 证 本 文 所 提 出 的 正 交 泛 函 网络 学 习算 法 的有 效 性 , 义 均 方 差 : 定 厂丁—F ———————一 R S一 ∑I一 ME√ z习样数 。 () 1 6 其中 表示 网络 的输 出 , 表示 网络 的实 际输 出, P表示 学 ①若泛 函神经元是 图 2所 示 的模 型 , 事先给 定一 组正 交 基 函数为 { ( l一12 …, ;一1 2 … , z , , , 似 -) , , k , , m;一12 … K} z 例 1离散数据情形 ) 选用时 间序列 中典型 的 He o ( n n映 射为例 。 Heo 序 列 系 统 为 _ nn ] L z 1 14 一 — . 1 0 3 2 + ~x 于是, 在图 3 所示的模型中, 每一个泛函神经元为 一五n , ( j , 式 () 写 成 x)则 9可P ( 1z , , 一 ∑ ∑ aj ( i k z , 2… z ) l / f x) (0 1) 在 初 始 值 z 一 0 5 2 一 0 5给定 的 情 况 下 , n n映 射 的 时 。 . , . 1 7 Heo ②若 图 3 所示 的模 型 中每一个泛 函神经元本身就 是给定 的正 交 基 函数 为 间序列点 由图 4 出。 给 { ) 一1 2 … , ; , , , 谊 ( , I , , 忌 一1 2 … m} 图3 所示 的泛 函网络的输 出为 P (1- , , ) - , 2 … 一 z z n ( ) xi ( 1 1)0 4. J I 一 I ^ ^ / f I Il I2O 40 60 8 0 1{ 3 0 不论 哪种情 形 , 系数代表是 泛函网络的参数 , 通过学习来确定 最优 的参数 。 在第②种情形下 , 我们给 出可分 离正交 泛函 网络学 习算 法 。考 虑误 差代价 函数 一 一 图 4 He o n n映射图 我们用正交 泛 函网络模 型 ( 图 5 来 进行 计算 , 中每 如 ) 其 个泛 函神 经元 函数 都是正交泛 函神经元 网络模 型 。选取 1 0 0 个样 本点作 为学 习样 本 , 采用 Mah mai 5编程 , 真结果 te t c 仿如 图 5 表 2 示 。 为 了便 于 比较 , 5为 给 出 泛 函 网 络 模 和 所 图 ( , 2 … , m 一 一 l X , X ) n 声 xp ( 2 ( j) 1 ) 其中, P为 当前 训 练 模 式 数 , 是 第 个 训 练 模 式 的 期 望 输 Y 出 。 为 了 找 到 最 优 的 泛 函参 数 , 小 化 误 差 平 方 和 为 最 型情形计算机仿 真( 1结果 。 表 ) E - e 专 [一 善q z3 c ̄ , 善 善 a i 一A 一 () p在这里 , 网络 的初始值 为 设( j) x o 一 。 一 1 2, , , , … m () 1 3 ( 4 1) Xn一 1 为 了保证 泛函网络表达式 的唯一性 , 需要给 出网络 的初始值 。 一X 一 2 图 5 一个五层的正交泛函网络模 型 表 1 C sio模 型 仿 真 结 果 atl l 其 中 , 是给定的一些常数 。我们 的 目标是 计算 能够使 得误 差 函数尽量 小的网络参数 : { l一1 2 … , ;一12 … , a , , k , , m} , 利用 L gag arn e乘数法 , 过加惩 罚项式 ( 4 到( 3 中 , 通 1 ) 1 ) 构造 辅 助 函数 如 下 : 一 E ( 乃 ) 专 备 % 0 善 ( ) 。 善[一 , + 。 一 ( ) +鲁 ( ( o一 ) ] x) jL g n r o y o as b ss { , , e e d ep ln mil a i : 1 x 分别对泛 函参 数 { l一12 …, ;一1 2 … , 和参数 求 a , , 是 , , m} 偏导数 , 得 专(。1 5 ) 3_ , X ) x ) 3 ÷( f - _喜 一l 一 ,fx 专 (( o 圣 ,j G j ? l ) a ( c+ q 声(5 1) 2 Ch b s e o y o as b ss { , , X — 1 4 0 e y h v p ln mil a i : l X 2 2 ,x 3 4 F u i e is { , ix C S sn x c s x 0 r rS re : 1 s , O X,i2 , o 2 } e n F u i e is { , ix C S sn X C s X o r rS re : 1 s , O X,i2 , O 2 , e nsn x c s x i3 , 0 3 ) A ^ ( j) ( x0 一 ) ( j) 如 xo 一o 一 。 与 C sio atl 模型相 比较 , l 仿真 结果表 明 , 选取正 交泛 函网 络具有更 高的逼近 精度 。 这样 , 任给定一些正交基 函数 { ( ) 一1 2 … , 一1 2 % l , , ; ,,] ? 4O 例 2 连续 函数 的情形 ) 选用常用 函数 ( ( ) 和 2 1 s ( ) c sx ) 2 } 一( ,i x ,o ( ) 来逼近神经元 函数 f x  ̄ g n ( )l l ( ) 用 Mah mai 5进 行 计 算 , 到 均 方 差 ( z , te t c 得 RMS 一 E) 0001 , . 0 3 1 逼近函数和原 函数的逼近 图形如 图 7 所示 。 y i( ) ∈[ ,7  ̄s x n O2] c我们选用具有一个输 入 、 个输 出且含 有两个 神经 元的 一 正 交 泛 函 网 络 对 该 函数 进 行 逼 近 , 图 6所 示 。 如 /、 一一 \ , / 图 6 一 个 输 入 、 个 输 出 的正 交 泛 函 网络 一 \ - / ' , / 1 首先 , 随机地给定一组训练样本 数据 { , ) i l2 ( 【— , , … , 2 )其 中 一_ ) 见表 3 0, 厂 ( , 。表 3 训练 样 本 数 据 图 7 函数 的 逼 近 图 形 例 3 逼 近 连 续 函数 —c ss ( ) , o (i x ) ∈L , n O1 我们选用 具有两个输人 、 一个 输 出且含有 两个神 经元 的 正交 泛函网络对 该 函数进行 逼 近( 图 5 。首先 , 见 ) 我们 给 出 一 组训 练样 对 { 乩 , , ) i 1 2 … ,0 , 中 X ( 地 j一 , , 2 ) 其 O一f( 1,2 , 表 4 z z 如 ) 。 若选用正 交基 函数 西 一 {i ( , O ( ) s (z ,o 1 s ) CS L ,i 2 ) cs n z n表 4 用于逼近的训练数据对 我们选择用于逼近泛 函神经元 的两组 正交 基函数为 1 { , i ( ) C S z) s ( x) C S 2 } 一 ( , i 一 1 s x , O ( , i 2 , O ( ) ; n n 1s n( ,o ( ) z) c s x) F0RM A KA , 0 5, 3 0 39 rI 2 0 7: 9 — 3 E ] Z o n s h uYo g—q a Ja i e eg.Ap rxmaeF coi t n un, ioL — hn po i t atr ai z oLe r i gAl o ih o uliait ln m il sd o n — an n g rt m fM tv ra ePoy o asBa e n Fu c 用 Mah mai te t 5进 行 计 算 ,得 到 均 方 差 ( MS c R E)一 0 0 0 1 6逼近 函数 和原 函数的逼近图形如图 8所示 。 .001 , t n 1 Newo k .J u n l f no m t n n C m uai a i a o t rs ora o If r ai a d o p tt n l o o C e c , 0 5, 1 2 5 2 0 S in e 2 0 2( ): 0 — 1 [ ] Z o o gq a , e gx , a i h n . e rl m u 6 h u n -u n He n -u J oL— e g A N ua C p — Y D i c ot t n S r cur o S lig Fu t a u to s ai tu t e f r o vn nci lEq ain wi Fu c o on t h n to a t r s J ur l fI o ma in a d C mp t to a i in l Ne wo k . o na nfr to n o o u ain lS — C e e , 0 5, 4) 8 5 8 2 n e 2 0 2( : 3 4 [ ] H e g U N n h n , h u Y n —u r A po i ae a— 7 e n— , o gZ e g Z o o gq a p rx t F c D X L m t rz to Uniait Po y m il U sn Fu t a Ne— o ia in of v ra e lno as ig nci 1 on t wo k . o r a f n o ma ina dC mp tt n l ce c , 0 5 r s J u n l f r t n o u a i a S i e 2 0 , oI o o n2( ): 7 — 7 3 4 34 9 图 8 函数 的逼 近效 果 E ] Z o o g u n J oL— e g A p ct no u ci a N t 8 h uY n— a ,i i hn . p l a o f n t n l e q a c i i F o — wok oS ligF n t n lE u t n , rceig 0 5I— rst vn u ci a q ai s P o edn s20 n o o otr a in l o n ee c o Ne r l en to a C fr n e n u a Ne wo k & Bri, I t rs an EEE 从上面 的仿真实 例可得 出 , 正交 泛 函网络模 型用 于 函数 逼近是可行 的, 且有更高的逼近精度 。 而 P es B in hn , t 2 0 : 3 8 1 8 r s , e ig C i a Oc. 0 5 1 7 — 3 3 j 结束语 本文提 出一 种正交 泛 函网络模 型 , 给出 了正交 [ ] 周永权. 9 一种基于泛 函网络的多项 式 E cd a u l en算法. i 计算 机科 学 ,0 63 ( )1 11 4 2 0 ,3 9 :3 —3 泛函网络 的学习算 法 , 而网络 的参 数是通过 求解一组 线性方 [O 1]周永权 , 李成 , 陶深. u z 焦 李 F zy插值 及其 F zy泛 函网络构 造 uz理 论 . 算 机 科 学 ,0 7 3 () 59 计 2 0 ,4 7 :— 程组 得到 , 算法简单 可行 。仿 真结果 验证 了该算法 在 函数逼 近 方面具有很高的逼近精度 。 [1 1]周永权 , 焦李成. 基于遗传规划实现泛函网络神经元的函数类 型 优化. 计算机科学 ,0 7 3 () 79 2 0 ,4 2 :- 参 考 文 献 [] C sl F nt nl e ok . er rcs| et s, 1 atl E. uci aN t rs N uaPoe n L t r i o o w 1 sg e1 9 7: 5 — 5 9 8, 1 1 1 9 E2 1 ]周永权 , 李 成. 次 泛 函 网络 整体 学 习算 法. 算 机 学 报 , 焦 层 计 2 0 2 8 1 7 —2 6 0 5, 8( ): 2 7 1 8 [ 3 C ua t , let . eh d f t e t a P yi .Ne 1 ] o rn Hi rD M to s h mai l h s s R b o Ma c c w Yo k:n e sin ePubihes 1 5 491 1 r I t rce c l s r , 9 5: — 1 [ ] C sioE, o oA, uire M , t 1 u cin 1 t r s 2 atl C b C t rz e .F nt a wok l 6 J a o Newih Ap l a in . u rAc d m i bihes. 9 t pi to s Kl we a e cPu l c s r 1 9 9 [4 1 ]Hi e rn Ad a tdC l ls o pi t n . n lwo d l ba dFB vn e ac u r d u f Ap l ai sE ge o c oCl f , i s NJ: e tc- al1 7 f Pr n ieH l, 6 9 [ ] Z o n q a Ja i c e g.ItroainMeh ns o 3 h uYo g u n, i L — hn o neplt c aim f oFu cin lNewo ks Le t r tsi omp t rS in e3 9 . n to a t r . c u eNo e n C u e ce c 6 7 2 0 4— 1 0 5: 5 5 [5 1 ]Yag ho su g, eg ig s iw. n S iw— h n Tsn Chn — ho AnOrh gn l ua to o aNe rl Newo k f r Fu t Ap r i t n EEE Trnsc in n t r o nci on p oxmai .I o a a to s o S se ,M a a Cy r e isPat y t ms n nd ben tc- r B: b r eis 9 6,2 Cy e n tc ,1 9 6 ( ): 7 — 8 5 7 975 ? [ ] Z o n q a He n X No gZ e g.Ap l aino 4 h uYog u n, g— U, n h n De pi t f c oFu cin a Newo k O S lig Cls ic to o lms n to 1 t r s t ovn a sf ain Pr be .EN — i 1 ? 41
下载本文档需要登录,并付出相应积分。如何获取积分?