基于模型输出敏感度分析的动态神经网络结构设计

神经网络的性能由其训练算法和拓扑结构共同确定.为了解决设计网络结构的动态调整问题,论文给出了一种神经网络结构动态设计方法.以隐含层神经元输出的贡献对模型输出敏感度进行分析,从而调整神经网络结构,对贡献太小的神经元予以删除,对贡献值太大的神经元利用最邻近法在其附近插入新的神经元.通过对非线性函数进行逼近和对非线性系统关键参数进行预测证明了该方法的有效性.

基于敏感度方差重要性的RBF神经网络结构优化算法

针对RBF神经网络的结构设计问题,提出一种基于输出敏感度方差重要性的结构优化算法.首先,检验网络隐层节点的输出敏感度在样本集上的方差是否与零有显著差异,以此作为依据增加或删除相应的隐层节点;然后,对调整后的网络参数进行修正,使网络具有更好的拟合精度和收敛性;最后,对所提出的优化算法进行仿真实验,结果表明,所提出的算法可根据研究对象自适应地调整RBF的网络结构,具有良好的逼近能力和泛化能力.