基于模型输出敏感度分析法的动态RBF神经网络设计

被引：4

作者：

韩红桂

李淼

乔俊飞

机构：

[1] 北京工业大学电子信息与控制工程学院

来源：

信息与控制 | 2009年 / 38卷 / 03期

关键词：

RBF神经网络; 动态设计; 神经网络性能;

D O I：

10.13976/j.cnki.xk.2009.03.018

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对一般RBF神经网络在学习过程中网络结构不能改变的问题,提出一种动态RBF神经网络结构设计方法。算法的实质是利用敏感度分析法(SA)对神经网络模型的输出进行分析,通过判断隐含层神经元的输出对整个网络输出的影响,删除RBF隐含层中冗余的神经元,实现对神经网络的动态修剪。非线性函数逼近结果及动态系统建模结果表明,该动态RBF神经网络具有较好的性能;与最小RBF(MRBF)神经网络相比,采用所提算法能得到更小的检测误差和更短的训练时间,最终网络结构紧凑。

引用

页码：370 / 375

页数：6

共 5 条

[1] PWM整流器的径向基函数神经网络控制新方法 [J].

姜惠兰 ;

李桂鑫 ;

崔虎宝 ;

孟庆强 .

信息与控制, 2006, (03) :406-410

[2]

Backward Elimination Methods for Associative Memory Network Pruning[J] . Xia Hong,Chris Harris,Martin Brown,Sheng Chen.International Journal of Hybrid Intelligent Systems . 2004 (1,2)

[3]

Sensitivity analysis in model calibration: GSA-GLUE approach[J] . M. Ratto,S. Tarantola,A. Saltelli.Computer Physics Communications . 2001 (3)

[4] A sequential learning scheme for function approximation using minimal radial basis function neural networks [J].

Lu, YW ;

Sundararajan, N ;

Saratchandran, P .

NEURAL COMPUTATION, 1997, 9 (02) :461-478

[5]

‘A Generalized Growing and Pruning RBF （GGAP-RBF） Neural Network for Function Approximation’. Guang-Bin Huang,P Saratchandran,Narasimhan Sundararajan. IEEE Transactions on Neural Networks . 2005

← 1 →