基于分数阶滤波器的高泛化性神经网络建模.pdfVIP

基于分数阶滤波器的高泛化性神经网络建模•57•

基于分数阶滤波器的高泛化性神经网络建模

刘加存\苑增福2，梅其祥3

(1.广东海洋大学电子与信息工程学院，广东湛江524088;2.内蒙古根河林业局，内蒙古根河022350;

3.广东海洋大学数学与计算机学院，广东湛江524088)

摘要：为了显著提高神经网络建模的泛化性，提出了激活函数是分数阶滤波器的神经网络。分数阶滤波

器涵盖了Butterworth和Chebyshev滤波器的性能。滤波器集对样本信号进行频率分解，既提升了信息

的致密性，也保证了遍历性，更有助于提高神经网络的泛化性。各滤波器参数由盲动粒子群优化算法寻

优。神经网络解算时，既采用了线性回归求解神经网络输出层权重，又在有限频段上用线性传递函数模

拟替代分数阶传递函数，这两种措施缩短了解算时间。仿真结果表明，线性系统的泛化性精度可达亿分

之几，非线性系统可达万分之几，可以离线应用。

关键词：神经网络;建模；泛化性；分数阶滤波器；盲动粒子群

中图分类号:TP15;TP183文献标识码：A文章编号：1000-8829(2017)12-0057-06

HighGeneralizationNeuralNetworkModelin

BasedonFractionalOrderFilter

LIUJia-cun1,YUANZeng-fu2,MEIQi-xiang3

(1.CollegeofElectricsandInformationEngineering,GuangdongOceanUniversity,Zhanjiang524088,China;

2.InneMongoliaGenheForestryBureau,GenHe022350,China;

3.CollegeofMathemaricsandComputeScience,GuangdongOceanUniversity,Zhanjiang524088,China)

Abstract：Inordetoimprovethegeneralizationofneuralnetworkmodelingsignificantly,aneuralnetworkthat

activationfunctionisfractionalordefilteisproposed.ThefractionalordefiltecoveresthepropertiesofBut-

terworthandChebyshevfilters.Becausethesignalfrequencyofthesampleisdecomposedbythefilteset,the

informationcompactnessisenhancedandtheergodicityisensured,whichhelpstoimprovethegeneralizationof

neuralnetwork.Theparametersofeachfilteareoptimizedbyparticleswarmoptimizationwithblindf