多输入Laguerre正交多项式前向神经网络权值与结构确定法

为克服BP神经网络模型及其学习算法中的固有缺陷,根据多项式插值和逼近理论,构造出一种以Laguerre正交多项式作为隐层神经元激励函数的多输入前向神经网络模型。针对该网络模型,提出了权值与结构确定法,以便快速、自动地确定该网络的最优权值和最优结构。计算机仿真与实验结果显示:该算法是有效的,并且通过该算法所得到的网络具有较优的逼近性能和良好的去噪能力。

权值与结构双确定法的RBF神经网络分类器

为了解决径向基函数(RBF)神经网络权值与结构难以确定的问题,基于权值直接确定法,及隐层神经元中心、方差、数目与神经网络性能的关系,提出一种边增边删型的网络权值与结构双确定法。在此方法基础之上,构建一种RBF神经网络分类器并探讨其分类性能和抗噪能力。计算机数值实验结果验证所提出的边增边删型的权值与结构双确定法能够快速、有效地确定网络的中心、方差和网络最优的权值与结构,所构造的模式分类器具有优越的分类性能和抗噪能力。

三输入伯努利神经网络权值与结构双确定

根据函数逼近理论以及Weierstrass逼近定理,构造出一类以伯努利多项式的乘积为隐层神经元激励函数的三输入神经网络模型,即三输入伯努利神经网络。针对该网络模型,根据权值直接确定法以及隐层神经元数目与逼近误差的关系,提出了三个网络权值与结构双确定算法。数值实验显示,由这三个算法分别确定的神经网络在学习与校验方面都拥有优越的性能,同时也具有较佳的预测能力。

应用RBF激励WASD神经网络估算GFR

价格低廉与高准确率的矛盾是测量肾小球滤过率(glomerular filtration rate,GFR)中遇到的主要难题。采用径向基函数(radial basis function,RBF)神经网络和权值与结构确定法(weights-and-structuredetermination,WASD)相结合的方法,并基于中山大学附属第三医院的患者数据进行神经网络建模,对肾病患者进行肾小球滤过率估算。计算机数值实验结果显示该方法在50%符合率标准下能达到90%的准确率,而传统方程中最优的准确率为68%。