采样算子调整的径向基网络增量映射学习算法

为了提高增量映射学习(IPL)算法的效率,调整了径向基神经网络基函数的中心及方差,以达到调整采样算子的目的,同时,通过神经元函数相关性的计算,确定添加新神经元时,相关函数的阈值,为系统结构调整提供相应依据.新方法步骤相对简单,所以算法速度较快;仿真结果表明,由于系统参数得到调整,对于同一问题,改进IPL算法得到的径向基神经网络结构较一般算法得到的网络结构简单,输出结果也较为精确.

改进型RBF网络在模拟电路故障隔离中的应用

提出了一种最陡下降增量映射学习算法,对RBF网络的训练方法进行改进,并将之运用于模拟电路故障隔离.该算法通过增量映射学习算法对RBF网络的采样基函数进行迭代优选,简化RBF网络结构;采用最陡下降法改进增量映射学习算法,对神经元激励函数的参数进行调节,控制网络规模,提高网络的逼近能力.故障隔离实例显示了其优越性.改进的算法与传统算法相比,具有更快的收敛速度和更高的隔离精度.本算法为RBF网络的训练提供了一种可行的方法,在故障诊断领域有良好的应用前景.