符号函数激励的WASD神经网络与XOR应用

基于权值与结构确定(WASD)算法,提出和构建了一种以非连续符号函数为隐层神经元激励函数的WASD神经网络模型。通过WASD算法,能有效地确定所构建网络的权值及网络的最优结构。该文也将此网络模型应用于XOR(异或)上,并详细讨论了在带噪类型不同时网络在此应用上的性能。计算机数值实验结果验证了所提出的权值与结构确定法能够有效地确定出网络的最优权值与结构,所构建的WASD网络在XOR应用上具有优秀的抗噪性能。另外,通过对比符号函数激励的WASD神经网络与幂函数激励的WASD神经网络在高维XOR应用方面的性能差异,证实了所提出的符号函数激励的WASD神经网络及算法在解决非线性问题时的优越性。

基于ARIMA与WASDN加权组合的时间序列预测

为了提高时间序列预测方法的预测精度以及增强其适用性,提出一种ARIMA-WASDN加权组合方法。该方法同时使用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型与配备权值及结构确定(weights and structure determination,WASD)算法的幂激励前向神经网络(WASDN)对时间序列进行建模、测试以及预测。根据测试结果,将ARIMA与WASDN进行加权组合。数值实验结果显示,所提出的ARIMA-WASDN加权组合方法的预测精度高于ARIMA或WASDN单独使用时的预测精度,验证了该方法在时间序列预测方面的有效性和优越性。

多类单输入多项式神经网络预测能力比较

多项式神经网络是根据函数逼近理论与多项式插值建立的一种以线性无关或者正交多项式为隐层神经元激励函数的前向神经网络。分别利用Legendre多项式、Hermite多项式、第一类Chebyshev多项式、第二类Chebyshev多项式、Bernoulli多项式及幂函数构造相应的单输入多项式神经网络,设计出一种适用于该六类神经网络的增长型权值与结构确定算法以确定其相应的最优网络结构与连接权值。基于该算法,深入研究了采用不同的隐层神经元激励函数时多项式神经网络的学习和预测能力。仿真结果表明,除了由Hermite多项式和Bernoulli多项式构建的神经网络的学习和预测能力相对一般外,其他四类神经网络都具有较为优越的学习和预测能力。最后,利用第一类Chebyshev多项式神经网络对世界人口趋势进行了仿真预测。

应用RBF激励WASD神经网络估算GFR

价格低廉与高准确率的矛盾是测量肾小球滤过率(glomerular filtration rate,GFR)中遇到的主要难题。采用径向基函数(radial basis function,RBF)神经网络和权值与结构确定法(weights-and-structuredetermination,WASD)相结合的方法,并基于中山大学附属第三医院的患者数据进行神经网络建模,对肾病患者进行肾小球滤过率估算。计算机数值实验结果显示该方法在50%符合率标准下能达到90%的准确率,而传统方程中最优的准确率为68%。