10.3969/j.issn.1671-4598.2006.12.033
基于扩展卡尔曼滤波器的RBF神经网络学习算法
径向基函数(RBF)神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器(EKF)用于多输入多输出的径向基函数(RBF)神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器[1](SFEKF)用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担.
扩展卡尔曼滤波器、径向基函数、神经网络、带有次优渐消因子的扩展卡尔曼滤波器
14
TP3(计算技术、计算机技术)
国防科技预研项目51421040103JB4902
2007-01-09(万方平台首次上网日期,不代表论文的发表时间)
共4页
1682-1685