BP神经网络在多维非线性函数拟合中的应用

为了解决常规方法拟合多维非线性函数的预测结果精度较低问题,采用非线性映射能力较强的BP神经网络进行多维非线性函数拟合。通过对BP神经网络结构及训练过程的分析,依据给定的两维非线性函数构建BP神经网络模型,并利用MATLAB软件对BP神经网络进行预测。仿真结果表明,BP神经网络对于两维非线性函数有良好的拟合能力,拟合误差小、收敛速度快,也使该方法具有较好的推广性。

用多个改进低维CMAC神经网络学习多维函数的研究

提出了一种多维非线性函数的多神经网络学习方法，即用变量代换的方法把一个多维非线性函数分解为若干低维函数，用多个改进的低维小脑模型神经网络分别映射这些低维函数，提高了收敛性，减少了存储空间，大大提高了学习精度，且易于实现。给出了大量学习非线性函数的仿真实验, 其结果表明，采用这种方法的学习精度比用一个CMAC的学习精度提高10倍以上。