多层前向小世界神经网络的逼近与容错性能
基于Watts-Strogatz网络模型的构造思想,对多层前向神经网络中的规则连接依重连概率进行重连,构建了一种多层前向小世界神经网络模型.对该网络模型进行简要的数学描述,并以函数逼近和网络容错仿真考察了构建的小世界神经网络的性能.结果表明,与规则或随机连接的网络相比,当重连概率处于0.1~0.2时,小世界神经网络具有更优的逼近性能,且当网络学习速率参数在0.1~0.3之间时,对小世界神经网络的逼近性能影响较小.此外,当网络权值故障率小于30%时,重连概率不大于0.8的小世界神经网络与规则网络同样具有较优的容错性能,而当故障率大于40%时,重连概率较大的小世界神经网络和随机连接的神经网络的容错性能要明显优于规则网络.
小世界神经网络、复杂网络、函数逼近
44
TP183(自动化基础理论)
国家自然科学基金资助项目70671083,50505034
2010-09-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
59-63