论文部分内容阅读
为提高过程神经网络逼近效率,从模型结构角度出发,提出了一种增量极限过程神经网络模型,根据输出误差在隐层中逐次加入新节点实现结构自增长.首先利用量子衍生萤火虫算法优化新增临时节点输入参数;其次根据新增节点输出正交向量的2范数判别相关性;最后固定现有节点参数,通过极限学习理论计算新增节点的输出权值.在仿真实验中,通过与其它过程神经网络对比分析,以Henon时间序列预测和页岩的岩性识别为例验证所提方法的有效性,模型逼近效率和训练速度均有提高.