径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

模糊对向传播神经网络的学习算法

模糊对向传播神经网络的学习算法由输入层至竞争层的连接权向量和竞争层到输出层的连接权向量两部分的学习组成,对于前者,分别选用聚类法和工下降法,本文研究了模糊对向传播神经网络的两种学习算法从理论上分析了这两种算法的性质,把算法应用于著名Ｍａｃｋｅｙ－Ｇｌａｓｓ混沌时间序列预测问题中,实验结果表明后一种算法的学习精度及泛化能力较前一种算法要好,但前者的学习速度要快。