PID神经元网络之权值直接确定法研究

doi:10.3778/j.issn.1002-8331.2009.19.058

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (19): 189-191.DOI: 10.3778/j.issn.1002-8331.2009.19.058

PID神经元网络之权值直接确定法研究

张雨浓¹,杨逸文^1,2

1.中山大学信息科学与技术学院，广州 510275
2.中山大学软件学院，广州 510275

收稿日期:2009-01-09 修回日期:2009-02-19 出版日期:2009-07-01 发布日期:2009-07-01
通讯作者: 张雨浓

On weights-direct-determination method of PID neurons’ network

ZHANG Yu-nong¹,YANG Yi-wen^1,2

1.School of Information Science and Technology，Sun Yat-Sen University，Guangzhou 510275，China
2.School of Software，Sun Yat-Sen University，Guangzhou 510275，China

Received:2009-01-09 Revised:2009-02-19 Online:2009-07-01 Published:2009-07-01
Contact: ZHANG Yu-nong

摘要/Abstract

摘要： 网络权值如何确定，是人工神经网络研究中的一个重要课题。传统PID神经元网络在该问题的研究上，大多数采用误差回传（BP）的思想，通过迭代训练而估算出该网络的连接权值。针对PID神经元网络，对其进行简单巧妙的转化，可提出一种基于矩阵伪逆表述的直接计算权值的方法，从而避免了冗长的迭代训练过程。计算机仿真结果表明，该权值直接确定方法不仅有更快的学习/计算速度，而且能达到更高的计算精度。

关键词: PID神经元网络, 权值直接确定, 系统辨识, 矩阵伪逆

Abstract: Weights-determination is an important issue in the research of artificial neural networks.The traditional PID neurons’ network adopts mostly the standard error Back-Propagation（BP） algorithm which obtains the connecting weights via iterative training.In contrast，a pseudo-inverse based method is proposed，which could directly determine the neural-network weights just in one step without iterative BP training.Computer-simulation results show that this weights-direct-determination method could be more efficient and effective than standard BP-training algorithms.

Key words: PID neurons’ network, weights-direct-determination, system identification, pseudo-inverse

张雨浓¹,杨逸文^1,2. PID神经元网络之权值直接确定法研究[J]. 计算机工程与应用, 2009, 45(19): 189-191.

ZHANG Yu-nong¹,YANG Yi-wen^1,2. On weights-direct-determination method of PID neurons’ network[J]. Computer Engineering and Applications, 2009, 45(19): 189-191.

[1]	耿宏，任道先，杜鹏. 基于NARX神经网络航空发动机参数动态辨识模型[J]. 计算机工程与应用, 2017, 53(12): 241-248.
[2]	李慧1，2，陈灿1. 一种多变量系统辨识法及其在蒸发过程的应用[J]. 计算机工程与应用, 2016, 52(12): 221-226.
[3]	李飞祥1，赵知劲1，2，赵治栋1. 一种分阶梯度加权平均变步长VLMP算法[J]. 计算机工程与应用, 2014, 50(4): 207-210.
[4]	韩中1，2，赵升吨2，张贵成2，3，阮卫平3，李建平3，沈红立3. 流程制造系统辨识的自动结构性建模方法[J]. 计算机工程与应用, 2014, 50(1): 227-231.
[5]	田启川，田茂新，杨晓飞. 基函数神经网络权值直接确定的图像复原[J]. 计算机工程与应用, 2013, 49(8): 178-181.
[6]	严平平1，赵知劲1，2，尚俊娜1，2，赵治栋1. 二阶Volterra变记忆长度LMP算法[J]. 计算机工程与应用, 2013, 49(3): 121-125.
[7]	王海涛1，段哲民1，司伟2. 一种泛函级数建模的新方法及其应用[J]. 计算机工程与应用, 2012, 48(35): 11-14.
[8]	林琳1，黄南天2，高兴泉1. 采用双折线步方法的傅里叶神经网络[J]. 计算机工程与应用, 2012, 48(29): 55-58.
[9]	张雨浓1，2，劳稳超1，余晓填1，李钧1. 两输入幂激励前向神经网络权值与结构确定[J]. 计算机工程与应用, 2012, 48(15): 102-106.
[10]	李守巨1，陈禹臻2，王吉喆3，屈福政2. 盾构机密封舱压力控制模型参数辨识[J]. 计算机工程与应用, 2011, 47(29): 239-241.
[11]	赵宝江. 蚁群聚类算法的T-S模糊模型辨识[J]. 计算机工程与应用, 2011, 47(21): 153-156.
[12]	张雨浓¹，郭东生¹，谭宁². 幂激励前向神经网络最优结构确定算法[J]. 计算机工程与应用, 2011, 47(2): 29-31.
[13]	赵愉，李锋. 仿射投影算法中的步长控制[J]. 计算机工程与应用, 2011, 47(11): 112-113.
[14]	衷路生1，2，樊晓平1，杨辉2，瞿志华1，齐叶鹏2，颜争2. 状态空间双线性系统的极大似然辨识[J]. 计算机工程与应用, 2011, 47(10): 110-112.
[15]	邹宁1，徐松涛1，任国磊2. 改进SVSLMS算法在系统辨识中的应用及性能分析[J]. 计算机工程与应用, 2011, 47(10): 229-232.

PID神经元网络之权值直接确定法研究

On weights-direct-determination method of PID neurons’ network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics