论文部分内容阅读
神经网络、遗传算法和模糊系统等人工智能方法的研究与发展越来越受到关注。本文首先选取单变量和双变量的目标函数对文中提到的几类正交基函数神经网络进行了实验仿真,并与传统的BP网络进行了对比分析,发现正交基函数神经网络无论是在隐层结构、精度高低还是运行次数或时间上都明显优于BP网络,其中Chebyshev神经网络效果最佳。然后,考虑到遗传算法的全局搜索性可以用来优化神经网路的权值,本文构造了两种双种群遗传算法结构并进行了函数性能评价,发现其中提出的双种群结构二的运行效果最佳。利用其对正交基函数神经网络的权值进行优化,在隐层结构不变的情况下,发现均方差的精度提高了,但运行速度变慢了。最后,本文先对传统的模糊高斯型神经网络进行了实例仿真,发现其学习后的仿真图效果优于正交基函数神经网络。接着,在传统的模糊神经网络的基础上,本文构建了两类模糊Chebyshev正交基函数神经网络模型,详细阐述了两类模型的构造过程及权值修正的BP学习算法,并应用上述目标函数进行了验证和对比分析,发现模型的构造是有效的。