径向基RBF神经网络模型_第1页
径向基RBF神经网络模型_第2页
径向基RBF神经网络模型_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

maxmax2.径向基RBF神经网络预测模型RBF网络是一种新颖的有效的前向型神经网络，由于该网络输出层对中间层的线性加权，使得该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射功能，RBF网络是通过非线性基函数的线性组合实现从输入空间Rn到输出空间Rm的非线性转换。而本题数据是一类非线性较强的时间序列，对其进行预测，即从前N个数据中预测将来M个数据，实质上就是找出从Rn到Rm的非线性映射关系。因此，可以说径向基网络特别适合于非线性时间序列的预测。2.1RBF网络结构及算法1、网络的神经元结构2、激活函数采用径向基函数（1）以输入和权值向量之间的距离作为自变量R(dist||)=e」distII2RBF网络的输出是隐单元输出的线性加权和，学习速度加快；径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元。自组织选取中心学习方法有：第一步，自组织学习阶段无导师学习过程，求解隐含层基函数的中心与方差；第二步，有导师学习阶段求解隐含层到输出层之间的权值-cpi-cpi2)R(x-c)=exp(--xpi2q2II网络的输出yjyj空Wexp(-2^li=12)j=1,2,…,n设d是样本的期望输出值，那么基函数的方差可表示为：求解方差RBF神经网络的基函数为高斯函数时，方差可由下式求解：co=—max,i=1,2,...hi<2h式中c为中所选取中心之间的最大距离。max计算隐含层和输出层之间的权值隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下：xP-cjlxP-cjl2)P=1,2,…,P;i=1,2,…,h2.2.数据处理及方法概述由于本题数据可以看做一个时间序列处理，这里假定时间序列X,…,x，现1N在希望通过序列的前N年的数据，预测出后M年的数值。这里可以采用序列的前N年的数据为滑动窗口，并将其映射为M个值。这M个值代表在该窗口之后的M个时刻上的预测值。如下表所示，列出了数据的一种划分方法。该表把数据分为K个长度为N+M的，有一定重叠的数据段，每一个数据段可以看作一个样本，这样就可以得到K=L-(N+M)+1个样本。这样一来，就可以将每个样本的前N个值作为RBF神经网络的输入，后M个值作为目标输出。通过学习，实现从Rn到输出空间Rm的映射，从而达到时间序列预测的目的。表：数据的划分方法N个输入M个输出X，…，X1NX，…，XN+1N+MX，…，X2N+1X，…，XN+2N+M+1+*■«!+■++3+3+3X，…，XKN+K-1X，…，XN+KN+M+K-1通过大容量样本训练出来的网络其预报误差更小，外推能力也更强。获得输入和输出变量之后，在学习之前，首先要对数据进行归一化

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论