广义回归神经网络的改进及在预测控制中的应用

被引：14

作者：

王少福 ^{[1
]}

张金磊 ^{[2
]}

赵仕俊 ^{[1
]}

杨卫东 ^{[1
]}

机构：

[1] 北京科技大学信息工程学院

[2] 中国石油大学计算机与通信工程学院

来源：

微电子学与计算机 | 2009年 / 26卷 / 06期

关键词：

广义回归神经网络; 模糊均值聚类; 平滑因子; 系统辨识; 预测控制;

D O I：

10.19304/j.cnki.issn1000-7180.2009.06.009

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

针对广义回归网络的模式层单元数目与样本数量成正比的问题,提出了基于相似度衡量的模糊均值聚类的样本精简方法.针对广义回归网络在时变环境下难以确定平滑因子,自适应能力弱的缺点,提出了一种基于贡献率的选择优化方案.仿真结果表明,改进后的GRNN有较快的处理速度和较强的自适应能力,能够在实际应用中很好地辨识较为复杂的非线性时变系统.

引用

页码：32 / 35

页数：4