椭球基函数神经网络的混合学习算法

提出一种训练椭球基函数神经网络(EBFNN)的混合学习算法.此算法首先使用期望最大化算法初始化EBFNN中椭球基函数节点的参数,而网络的连接权重和偏差项则用线性最小二乘方法进行初始化.然后用梯度下降法对EBFNN中所有参数同时进行优化.与其他3个相关的模型相比,用混合学习方法训练的梯度下降椭球基函数神经网络(GDEBFNN)能够取得更优的分类性能.此外,与支持向量机对比表明,GDEBFNN取得与之接近的泛化能力.与基于Adaboost的决策树模型比较表明,GDEBFNN可以取得更优的泛化性能.

依赖EBF神经网络的注塑成型熔接痕长度优化

分析了注塑成型中熔接痕形成原因,分析了浇口位置对形成熔接痕的影响,提出了依赖椭球基函数(EBF)神经网络的注塑成型熔接痕长度优化。通过将EBF神经网络作为注塑成型熔接痕条件,根据注塑成型熔接痕依次构建得到注塑成型熔接痕长度函数与注塑成型熔接痕适应度函数,并以这二个函数作为优化目标。在实现注塑成型熔接痕的基础上,选择李雅普诺夫第二方法来验证EBF神经网络具有稳定解。最后通过仿真结果表明:该算法能够均衡注塑成型熔体长度,提高注塑成型熔接痕长度优化实用性。