HBF神经网络的一种结构自适应在线学习算法

摘要

超级基(HBF)神经网络是高斯RBF神经网络的泛化形式,针对该神经网络文中提出了一种可增加或删除隐含层节点的结构自适应在线学习算法.对于隐含层节点的增加,提出了输入隶属度的概念,并同时考虑网络对输入的映射能力和网络输出偏差给出了隐含层节点增加规则;对于隐含层节点的删除,文中采用归一化的思想计算每个隐含层节点对网络输出的贡献度,并将贡献度小于阈值的隐含层节点从网络中删除.在线学习过程中,仅需调整隐含层节点的HBF激活函数的宽度和隐含层与输出层之间的连接权值,HBF激活函数的宽度通过所提出的简单运算进行调整,而连接权值的调整采用递归最小二乘法调整.为验证所提出学习算法的有效性,将HBF神经网络分别应用于非线性函数逼近和动态系统在线预测,数值分析结果说明该结构自适应在线学习算法使HBF神经网络不仅具有较高的逼近精度和预测精度,而且具有简洁的网络拓扑结构.