【技术实现步骤摘要】
本专利技术涉及在线学习神经网络领域,尤其是一种在线学习单隐层前馈神经网络的 算法。
技术介绍
从上个世纪八十年代至今,神经网络已经衍生出多种模型结构和学习规则,像最 早提出的基于误差反传学习方式的BP神经网络、径向基神经网络、离散和连续型Hopfield 神经网络、SOM神经网络等。上述各种神经网络可用于分类和回归问题,而且都取得了很好 的模型效果。近年来提出的极端学习机算法成为研究热点,其属于一种单隐层前馈神经网 络,单隐层前馈神经网络具有良好的非线性辨识能力,而且具有结构简单、可调参数少、学 习速度快、模型精度高等优点,单隐层前馈神经网络既可用于基于数据块的离线学习模式, 也可用于时间序列数据的在线学习模式,在各个领域得到广泛应用。 目前,所有的实际工程应用系统建模都是基于时间序列数据的,而且大部分的神 经网络的输入权值和隐层阈值都是随机初始化产生的,产生的模型参数与实际系统的输入 样本数据没有内在的规律性,这导致神经网络的预测效果和稳定性较差。因此建立一种在 线学习模式神经网络具有很强的应用使用价值。
技术实现思路
本专利技术目的在于提供一种模型稳定性高、预测精度高、泛化能力强、具有前馈调节 功能的基于样本增量驱动的神经网络增量型前馈算法。 为实现上述目的,采用了以下技术方案,本专利技术所述算法步骤如下: 步骤1,在神经网络中,选取任意时刻L〇个训练样本进行模型参数初始化; 步骤2,计算得出输入权值和隐层阈值; 步骤3,再计算得出隐层输出矩阵Ho; 步骤4,根据最小二乘法和MP广义逆法计算得出输出权值矩阵β〇; 步骤5,引入新样本心, ...
【技术保护点】
一种基于样本增量驱动的神经网络增量型前馈算法,其特征在于,所述算法步骤如下:步骤1,在神经网络中,选取任意时刻L0个训练样本进行模型参数初始化;步骤2,计算得出输入权值和隐层阈值;步骤3,再计算得出隐层输出矩阵H0;步骤4,根据最小二乘法和MP广义逆法计算得出输出权值矩阵β0;步骤5,引入新样本X1,计算新样本与初始训练样本的第L0个样本之间是否有增量,如果有样本增量,根据样本增量对输入权值和隐层阈值进行更新;如果没有样本增量,则不修改输入权值和隐层阈值,不进行更新;步骤6,计算新样本的隐层输出矩阵;步骤7,动态更新输出权值矩阵,计算得到模型输出权值矩阵;步骤8,判断所有样本是否测试完毕,若测试完毕,则模型建立完成,否则返回步骤5重新检测新旧样本增量继续学习;建立模型参数与输入样本之间的函数关系,根据样本增量对优化模型的输入权值和隐层阈值进行在线前馈调节。
【技术特征摘要】
【专利技术属性】
技术研发人员:牛培峰,马云鹏,李国强,武怀勤,李霞,
申请(专利权)人:燕山大学,
类型:发明
国别省市:河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。