利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用 ,如何估计隐层神经元数及相应的逼近误差 ,一直是确定前馈网络结构的难点和关键。 RBF网络是一种最重要的前馈神经网络 ,本文给出了利用 Gaussian型 RBF网络逼近连续函数或 Lebesgue-可积函数时的构造性的隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高 Guassian型 RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。

动态离散选择模型及其估计方法发展综述

动态离散选择模型是一类离散控制动态规划,其对于理解机构在不同情况中的行为决策是非常重要的.从动态离散选择模型的基本原理、应用现状和构造性估计满足的假设出发,一方面针对动态选择模型的小样本异质性问题,给出非线性有偏修正模型和最小均方误差估计法来弥补最大似然估计在估计小样本时的有偏性.另一方面为了达到期望价值函数的收敛性和避免高维数所带来的计算负担,叙述了常规贝叶斯估计方法、贝叶斯-MCMC-DP估计法、马尔科夫链-蒙特卡洛-人工神经网络估计法等其他的估计方法.