基于粗糙集的神经网络结构优化设计

神经网络的结构冗余的原因的基础上,提出了一种利用粗集优化网络结构的原理与方法,并用实例证明,与现有的权消去法,灵敏度剪枝法,相关性剪枝法等方法相比,该方法不仅优化了网络的拓扑结构,而且加快了网络的收敛速度,从而增强了BP神经网络的适应能力。

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。