浅析基于EKF的模糊神经网络快速自组织学习算法

1、浅析基于EKF的模糊神经网络快速自构造学习算法摘要:为了快速地布局一个有用的模糊神经网络,提出一种基于扩展卡尔曼滤波(ekf)的模糊神经网络自构造学习算法。在本算法中,根据提出的无须颠末修剪历程的生长准那么增长规矩,加快了网络在线学习历程;利用ekf算法更新网络的自由参数,加强了网络的鲁棒性。仿真效果表白,该算法具有快速的学习速率、精良的迫近精度和泛化本领。关键词:模糊神经网络;扩展卡尔曼滤波;自构造学习fastself-rganizinglearningalgrithbasednekffrfuzzyneuralnetrkzhushang-b,liuyu-jing(llegefputersie

2、ne,hngqinguniversity,hngqing400044,hina)keyrds:fuzzyneuralnetrk;extendedkalanfilter(ekf);self-rganizinglearning模糊神经网络劈头于20世纪80年代后期的日本,由于其简朴、有用,已经被普及应用在产业操纵、体系辨识、形式识别、数据开掘等很多范畴14。然而,怎样从可用的数据集和专家知识中猎取符合的规矩数仍旧是一个尚未办理的题目。为了猎取模糊规矩,研究职员提出了差异的算法,如文献5利用正交最小二乘算法确定径向基函数的中央,但是该算法练习速率比力慢;文献6提出了基于径向基函数的自顺应模糊体系,其

3、算法利用了分层自构造学习计谋,但是迫近精度低。扩展卡尔曼滤波(ekf)算法作为一种非线性更新算法,在神经网络中得到了普及应用。文献7利用扩展卡尔曼滤波算法调解多层感知器的权值,文献8利用扩展卡尔曼滤波算法调解径向基函数网络的权值。本文提出了一种模糊神经网络的快速自构造学习算法(sfnn)。该算法基于无须修剪历程的生长准那么增长模糊规矩,加快了网络学习历程,同时利用ekf调解网络的参数。在该算法中,模糊神经网络布局不是预先设定的,而是在学习历程中动态变革的,即在学习开始前没有一条模糊规矩,在学习历程中渐渐增长模糊规矩。与传统的模糊神经网络学习算法比拟,本算法所得到的模糊规矩数并不会随着输入变量的

4、增长而呈指数增长,特殊是本算法无须范畴的专家知识就可以实现对体系的主动建模及抽取模糊规矩。固然,假设方案者是范畴专家,其知识也可以直接用于体系方案。本算法所得到的模糊神经网络具有布局孝制止出现过拟合征象等特点。1sfnn的布局下面是对该网络各层寄义的详细形貌。第一层:输入层。每个节点代表一个输入语言变量。第二层:附属函数层。每个节点代表一个附属函数,附属函数接纳如下的高斯函数:第四层:输出层。该层每个节点代表一个输出变量,该输出是全部输入变量的叠加。2sfnn的学习算法如前文所述,第三层的每个节点代表一个大概的模糊规矩的if-部门大概一个rbf单位。假设必要辨识体系的模糊规矩数,那么不克不及预

5、先选择模糊神经网络的布局。于是,本文提出一种新的学习算法,该算法可以主动确定体系的模糊规矩并能到达体系的特定性能。2.1模糊规矩的产生准那么在模糊神经网络中,假设模糊规矩数太多,不但增长体系的庞大性,并且增长盘算包袱和低落网络的泛化本领;假设规矩数太少,体系将不克不及完全包罗输入/输出状态空间,将低落网络的性能。是否参加新的模糊规矩取决于体系偏向、可包容界限和偏向落落率三个紧张因素。从某种意义上来讲,模糊神经网络布局的学习是对输入空间的高效分别。模糊神经网络的性能和布局与输入附属函数精细相干。本文利用的是高斯附属函数,高斯函数输出随着与中央间隔的增长而单调递减。当输入变量接纳高斯附属函数时,那么以为整个输入空间由一系列高斯附属函数所分别。假设某个新样本位于某个已存在的高斯附属函数覆盖范畴内,那么该新样本可以用已存在的高斯附属函数表现,不必要网络天生新的高斯单位。此中:u是现有的模糊规矩或rbf单位的数目。令传统的学习算法把偏向淘汰率(err)5用于网络生长后的修剪历程,算法会由于修剪历程而增长盘算包袱,低落学习速率。本文把偏向淘汰率用于生长历程形成一种新的生长准那么,算法无须颠末修剪历程,从而加快网络的学习历程。式(9)可简写为d=h+e(10)对付矩阵,假设它的行