基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数 (RBF)神经网络 ,进行了非线性时间序列的在线预测研究。该 RBF网络通过次胜者受惩算法 (RPCL )根据样本信息合理调节隐层中心 ,通过递归正交最小二乘算法 (ROL S)更新网络输出层的连接权重。算法学习速率较快 ,从而提高了网络的实时性能。仿真结果表明该学习算法的实用性和有效性。