摘要：为解决现有神经网络算法易陷入局部最优化的问题,根据隐节点对整个网络的贡献值大小,提出一种自适应的动态隐节点调节策略。根据网络的节点容量与输出精度,建立一个资源分配机制,结合隐节点的删除与分裂策略,实现在网络学习过程中对隐节点自适应地增加或删除,形成一个节点利用率高且结构分布合理的神经网络系统。实验结果表明,在不同信号下,该算法能够将误差控制在一个较为合理的数值内,保持较快的收敛速度,有效解决局部最优化问题。

摘要：为了解决自适应共振理论(adaptive resonance theory,ART)网络对新的输入样本处理能力差,网络记忆能力差,径向基(radial basis function,RBF)网络选择径向基函数,确定隐节点数目困难的问题,设计了一种基于ART与RBF网络的混合网络模型。将ART网络的特点引入到RBF网络中,通过ART网络的识别与比较功能快速确定RBF网络最少的隐节点数目,同时通过ART理论中警戒门限的检验在线确定是否合并或删除隐节点。并且引入了异常数据修正方法和模糊预处理方法。通过MATLAB神经网络工具箱,对该混合网络进行仿真试验。结果表明:该方法能够有效地减少隐含在数据中的随机性,加快神经网络收敛速度,提高神经网络的建模精度。