淺析基于EKF的模糊神經網絡快速自組織學習算法

1、淺析基于EKF的模糊神經網絡快速自構造學習算法摘要:為了快速地布局一個有用的模糊神經網絡,提出一種基于擴展卡爾曼濾波(ekf)的模糊神經網絡自構造學習算法。在本算法中,根據提出的無須顛末修剪歷程的生長準那么增長規(guī)矩,加快了網絡在線學習歷程;利用ekf算法更新網絡的自由參數(shù),加強了網絡的魯棒性。仿真效果表白,該算法具有快速的學習速率、精良的迫近精度和泛化本領。關鍵詞:模糊神經網絡;擴展卡爾曼濾波;自構造學習fastself-rganizinglearningalgrithbasednekffrfuzzyneuralnetrkzhushang-b,liuyu-jing(llegefputersie

2、ne,hngqinguniversity,hngqing400044,hina)keyrds:fuzzyneuralnetrk;extendedkalanfilter(ekf);self-rganizinglearning模糊神經網絡劈頭于20世紀80年代后期的日本,由于其簡樸、有用,已經被普及應用在產業(yè)操縱、體系辨識、形式識別、數(shù)據開掘等很多范疇14。然而,怎樣從可用的數(shù)據集和專家知識中獵取符合的規(guī)矩數(shù)仍舊是一個尚未辦理的題目。為了獵取模糊規(guī)矩,研究職員提出了差異的算法,如文獻5利用正交最小二乘算法確定徑向基函數(shù)的中央,但是該算法練習速率比力慢;文獻6提出了基于徑向基函數(shù)的自順應模糊體系,其

3、算法利用了分層自構造學習計謀,但是迫近精度低。擴展卡爾曼濾波(ekf)算法作為一種非線性更新算法,在神經網絡中得到了普及應用。文獻7利用擴展卡爾曼濾波算法調解多層感知器的權值,文獻8利用擴展卡爾曼濾波算法調解徑向基函數(shù)網絡的權值。本文提出了一種模糊神經網絡的快速自構造學習算法(sfnn)。該算法基于無須修剪歷程的生長準那么增長模糊規(guī)矩,加快了網絡學習歷程,同時利用ekf調解網絡的參數(shù)。在該算法中,模糊神經網絡布局不是預先設定的,而是在學習歷程中動態(tài)變革的,即在學習開始前沒有一條模糊規(guī)矩,在學習歷程中漸漸增長模糊規(guī)矩。與傳統(tǒng)的模糊神經網絡學習算法比擬,本算法所得到的模糊規(guī)矩數(shù)并不會隨著輸入變量的

4、增長而呈指數(shù)增長,特殊是本算法無須范疇的專家知識就可以實現(xiàn)對體系的主動建模及抽取模糊規(guī)矩。固然,假設方案者是范疇專家,其知識也可以直接用于體系方案。本算法所得到的模糊神經網絡具有布局孝制止出現(xiàn)過擬合征象等特點。1sfnn的布局下面是對該網絡各層寄義的詳細形貌。第一層:輸入層。每個節(jié)點代表一個輸入語言變量。第二層:附屬函數(shù)層。每個節(jié)點代表一個附屬函數(shù),附屬函數(shù)接納如下的高斯函數(shù):第四層:輸出層。該層每個節(jié)點代表一個輸出變量,該輸出是全部輸入變量的疊加。2sfnn的學習算法如前文所述,第三層的每個節(jié)點代表一個大概的模糊規(guī)矩的if-部門大概一個rbf單位。假設必要辨識體系的模糊規(guī)矩數(shù),那么不克不及預

5、先選擇模糊神經網絡的布局。于是,本文提出一種新的學習算法,該算法可以主動確定體系的模糊規(guī)矩并能到達體系的特定性能。2.1模糊規(guī)矩的產生準那么在模糊神經網絡中,假設模糊規(guī)矩數(shù)太多,不但增長體系的龐大性,并且增長盤算包袱和低落網絡的泛化本領;假設規(guī)矩數(shù)太少,體系將不克不及完全包羅輸入/輸出狀態(tài)空間,將低落網絡的性能。是否參加新的模糊規(guī)矩取決于體系偏向、可包容界限和偏向落落率三個緊張因素。從某種意義上來講,模糊神經網絡布局的學習是對輸入空間的高效分別。模糊神經網絡的性能和布局與輸入附屬函數(shù)精細相干。本文利用的是高斯附屬函數(shù),高斯函數(shù)輸出隨著與中央間隔的增長而單調遞減。當輸入變量接納高斯附屬函數(shù)時,那么以為整個輸入空間由一系列高斯附屬函數(shù)所分別。假設某個新樣本位于某個已存在的高斯附屬函數(shù)覆蓋范疇內,那么該新樣本可以用已存在的高斯附屬函數(shù)表現(xiàn),不必要網絡天生新的高斯單位。此中:u是現(xiàn)有的模糊規(guī)矩或rbf單位的數(shù)目。令傳統(tǒng)的學習算法把偏向淘汰率(err)5用于網絡生長后的修剪歷程,算法會由于修剪歷程而增長盤算包袱,低落學習速率。本文把偏向淘汰率用于生長歷程形成一種新的生長準那么,算法無須顛末修剪歷程,從而加快網絡的學習歷程。式(9)可簡寫為d=h+e(10)對付矩陣,假設它的行