...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEE Proceedings. Part D >Hybrid learning algorithm for Gaussian potential function networks
【24h】

Hybrid learning algorithm for Gaussian potential function networks

机译：高斯势函数网络的混合学习算法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A new hybrid learning algorithm is proposed for use in the parametric estimation of Gaussian potential function networks (GPFNs). In the new algorithm, the number of network inputs is augmented by using target output values in the learning centres of Gaussian nodes in the network's hidden layer. This augmentation of input leads to a more reasonable distribution of centres in the hidden layer of a GPFN. A critical angle technique is then used to determine those nodes in which the shape factors will need further tuning by optimisation techniques. Two numerical examples are supplied to show the superior performance of this new algorithm as compared to that achieved through a traditional hybrid learning method, or to the optimised-only method of Lee and Kil (1991). The capability of the GPFN as a dynamical model for continually tracking dynamics of non-stationary and time-varying systems is also illustrated.
机译：提出了一种新的混合学习算法，用于高斯势函数网络（GPFN）的参数估计。在新算法中，通过使用网络隐藏层中高斯节点的学习中心中的目标输出值来增加网络输入的数量。输入的增加导致GPFN隐藏层中中心的分布更加合理。然后，使用临界角技术来确定需要通过优化技术进一步调整形状因子的那些节点。提供了两个数值示例，以说明与通过传统的混合学习方法或仅通过优化的Lee and Kil（1991）所实现的方法相比，该新算法的优越性能。还说明了GPFN作为动态模型的能力，该模型可以连续跟踪非平稳和时变系统的动力学。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号