论文部分内容阅读
该文基于模型参数的高阶矩估计方法，提出了一种利用神经网络的参数估计器。该估计器视给定模型输出量测的高阶矩为神经网络所要匹配的模式，神经网络的权系数直接反映所要估计的模型参数。提出了一种可控学习的两级多层神经网络模型，其第一级由随机读写存贮器（ＲＡＭ）单元组成，第二级由一个多层网络组成。第二级中的神经元是一种加权和神经元模型，即每一个神经元的输出等于其输入的加权和，而这些权值是否要通过学习来改变则由第一级的ＲＡＭ单元来控制。另外，提出了一种基于集合匹配的自适应并行学习算法，该算法很大程度上克服了ＥＢＰ算法的的“遗忘现象”，而且可根据一定的策略来自适应地调节学习因子，从而改善了学习算法的收敛性。（本刊录）