文献类型：期刊文章

作　　者：张雨浓[1,2,3] 肖争利[1,2,3] 丁思彤[1,2,3] 毛明志[1] 刘锦荣[1]

机构地区：[1]中山大学数据科学与计算机学院,广东广州510006 [2]华南理工大学自主系统和网络控制教育部重点实验室,广东广州510640 [3]广东顺德中山大学卡内基梅隆大学国际联合研究院,广东佛山528300

出　　处：《中山大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(61473323);广州市科技计划资助项目(2014J4100057);自主系统与网络控制教育部重点实验室开放基金资助项目(2013A07);大学生创新创业训练计划资助项目(201410558065;201410558069)

年　　份：2016

卷　　号：55

期　　号：4

起止页码：1-10

语　　种：中文

收录情况：BDHX、BDHX2014、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、IC、JST、MR、PROQUEST、RCCSE、RSC、SCOPUS、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。

关 键 词：神经网络 权值与结构直接确定  后续迭代  双极S激励函数  数值实验  

分 类 号：TP183]