一种新型广义RBF神经网络在混沌时间序列预测中的研究

作     者：李军 刘君华 Li Jun;Liu Jun-Hua

作者机构：西安交通大学电气工程学院西安710049 

出 版 物：《物理学报》 (Acta Physica Sinica)

年 卷 期：2005年第54卷第10期

页      面：4569-4577页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081105[工学-导航、制导与控制] 0835[工学-软件工程] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(批准号:60276037)资助的课题. 

主　　题：广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测 混沌时间序列预测 RBF神经网络 广义 卡尔曼滤波算法 神经网络模型 

摘      要：提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能,采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.