MISO多元广义多项式神经网络及其权值直接求解

基于多元函数逼近理论,构建一种M ISO(Mu ltip le-Input,S ingle-Output)多元广义多项式神经网络。依据最小二乘原理,推导出基于伪逆的最优权值一步计算公式———简称为权值直接确定法;在此基础上,提出基于指数增长和折半删减搜索策略的隐神经元数自适应增删搜索算法。该新型神经网络具有结构简单的优点,其权值直接确定法、隐神经元增删算法可以避免冗长的迭代计算、局部极小点和学习率难选取等问题,同时解决了传统BP神经网络难以确定隐神经元数这一难题。仿真实验显示其具有训练速度快、逼近精度高和良好的去噪特性等特点。

一类非线性比式和问题的全局优化算法

针对广泛应用于工程设计、非线性系统稳定性分析等实际问题中的一类非线性比式和问题(P)给出了一全局优化算法.利用问题(P)的等价问题(Q)和线性化技术,建立了问题(Q)的松弛线性规划(RLP),通过对(RLP)可行域的细分以及一系列(RLP)的求解过程,从理论上证明了算法收敛到问题(P)的全局最优解.最后数值例子表明了本文算法的可行性.