一种新型广义RBF神经网络在混沌时间序列预测中的研究

摘要：

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习鞍算法.为了验证网络的学习性能,采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.

关键词：广义径向基函数神经网络、卡尔曼滤波、梯度下降学习算法、混沌时间序列、预测

所属期刊栏目：54

分类号：TP1(自动化基础理论)

资助基金：国家自然科学基金60276037

在线出版日期：2005-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：4569-4577