基于分数阶滤波器的高泛化性神经网络建模

为了显著提高神经网络建模的泛化性,提出了激活函数是分数阶滤波器的神经网络。分数阶滤波器涵盖了Butterworth和Chebyshev滤波器的性能。滤波器集对样本信号进行频率分解,既提升了信息的致密性,也保证了遍历性,更有助于提高神经网络的泛化性。各滤波器参数由盲动粒子群优化算法寻优。神经网络解算时,既采用了线性回归求解神经网络输出层权重,又在有限频段上用线性传递函数模拟替代分数阶传递函数,这两种措施缩短了解算时间。仿真结果表明,线性系统的泛化性精度可达亿分之几,非线性系统可达万分之几,可以离线应用。