贝叶斯-高斯神经网络非线性系统辨识

摘要

提出了一种贝叶斯－高斯神经网络用于非线性系统辨识。网络的拓扑结构和连接权值可以由训练样本直接得到；其输出是多信息合成的贝叶斯推理过程；其训练过程仅是用于学习输入因子，从而使训练速度远高于一般的反向传播神经网络。此外，网络的自组织过程根据某种最优准则实现，使得当系统动态特性发生漂移时，网络可以根据新的样本迅速优化其连接权值，而不需要重新进行学习，这对于实时应用是十分重要的。实际应用中，网络的工作过程可以是推广与自组织交替进行的过程。仿真研究表明，该网络的辨识效果可与经拓扑结构优选的反向传播网络相比，而其自组织能力则是权值不变的后者无法相比的。