8.3 基于模糊RBF网络的逼近算法 (1).ppt

1、本文档共5页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

在此模糊神经网络中，可调参数有三类：一类为规则的权系数w；第二类和第三类为高斯函数的均值和标准差cij和bj，即输入隶属函数的参数。8.1.2基于模糊RBF网络的逼近算法采用模糊RBF网络逼近对象，取网络结构为2-4-1，如图8-2所示。

图8-2模糊RBF神经网络逼近

取，ym(k)和y(k)分别表示网络输出和理想输出。网络的输入x1和x2为u(k)和y(k)，则网络逼近误差为：采用梯度下降法来修正可调参数，定义目标函数为：

网络的学习算法如下：

输出层的权值通过如下方式来调整:

则输出层的权值学习算法为：其中为学习速率，为动量因子。

在RBF网络设计中，需要将cij和bj值设计在网络输入有效的映射范围内，否则高斯基函数将不能保证实现有效的映射，导致RBF网络失效。如果将cij和bj的初始值设计在有效的映射范围内，则只调节网络的权值便可实现RBF网络的有效学习。

该用户很懒，什么也没介绍

咨询Ta 进入空间

更多 >