采用递归神经网络学习非线性周期运动的吸引子轨迹.网络的拓扑结构基于非线性系统的状态空间表达式,网络权值通过时序反向传播算法调整.探讨了不同样本轨迹和网络结构对递归神经网络预测性能的影响.神经网络的性能评估建立在多条测...采用递归神经网络学习非线性周期运动的吸引子轨迹.网络的拓扑结构基于非线性系统的状态空间表达式,网络权值通过时序反向传播算法调整.探讨了不同样本轨迹和网络结构对递归神经网络预测性能的影响.神经网络的性能评估建立在多条测试样本轨迹的基础上,可以更为客观地评价递归神经网络预测性能.对van der Pol方程的仿真结果表明:网络的泛化能力对训练样本轨迹的依赖性较强,从不同训练轨迹上得到的递归神经网络性能差异较大;需要选择合适的递归神经网络结构参数以提高神经网络的泛化能力.展开更多
文摘采用递归神经网络学习非线性周期运动的吸引子轨迹.网络的拓扑结构基于非线性系统的状态空间表达式,网络权值通过时序反向传播算法调整.探讨了不同样本轨迹和网络结构对递归神经网络预测性能的影响.神经网络的性能评估建立在多条测试样本轨迹的基础上,可以更为客观地评价递归神经网络预测性能.对van der Pol方程的仿真结果表明:网络的泛化能力对训练样本轨迹的依赖性较强,从不同训练轨迹上得到的递归神经网络性能差异较大;需要选择合适的递归神经网络结构参数以提高神经网络的泛化能力.