一种基于改进型深度学习的非线性建模方法

被引：14

作者：

王盈旭 ^{[1
,2
,3
]}

韩红桂 ^{[1
,2
]}

郭民 ^{[1
,2
,3
]}

机构：

[1] 北京工业大学信息学部自动化学院

[2] 计算智能与智能系统北京市重点实验室

[3] 数字社区教育部工程研究中心

来源：

信息与控制 | 2018年 / 47卷 / 06期

基金：

北京市自然科学基金;

关键词：

深度学习; 非线性建模; 径向基函数; 深度信念网络;

D O I：

10.13976/j.cnki.xk.2018.7514

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

围绕非线性系统的建模问题,提出了一种基于改进型深度学习的非线性建模方法.首先,设计了基于高斯径向基函数的深度信念网络训练模型;其次,利用对比分歧算法对径向基函数的权值、中心和宽度进行调整,并利用反向传播对网络连接权值进行优化;最后,将获得的改进型深度学习方法应用于非线性系统建模.实验结果验证了该算法的有效性和可行性.

引用

页码：680 / 686

页数：7

共 17 条

[1]

Self-organization of a recurrent RBF neural network using an information-oriented algorithm.[J].Hong-Gui Han;Ya-Nan Guo;Jun-Fei Qiao.Neurocomputing.2017,

[2]

QRNN: q-Generalized Random Neural Network [J].

Stosic, Dusan ;

Stosic, Darko ;

Zanchettin, Cleber ;

Ludermir, Teresa ;

Stosic, Borko .

IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2017, 28 (02) :383-390

[3]

Deep learning in neural networks: An overview.[J].Jürgen Schmidhuber.Neural Networks.2015,

[4]

Time series forecasting using a deep belief network with restricted Boltzmann machines.[J].Takashi Kuremoto;Shinsuke Kimura;Kunikazu Kobayashi;Masanao Obayashi.Neurocomputing.2014,

[5]

Recursive Bayesian Recurrent Neural Networks for Time-Series Modeling [J].