10.16526/j.cnki.11-4762/tp.2023.04.007
基于自适应并联结构神经网络的交通流量预测
由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果;为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络(APSNN);APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练;神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少;神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性;文章对5种非线性函数进行了神经网络逼近测试.与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性;为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明:APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%.
人工神经、网络训练、残差自组织、BP
31
TP183(自动化基础理论)
2023-05-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
42-48