论文部分内容阅读
深入分析了BP、RBF网络以及分别基于BP和RBF网络的T-S模糊神经网络对数据噪声的适应性.首先比较分析了它们在不同白噪声环境下对一个虚拟的非线性多输入多输出(MI-MO)系统特性挖掘中的表现差异;随后比较分析了它们在数据严重被噪声污染情况下1台600MW电站锅炉燃烧特性挖掘中的表现差异.结果表明:必须重视对所选用挖掘工具的噪声适应性问题;4种神经网络的噪声适应能力由弱到强的排序是:BP网络、RBF网络、基于BP的T-S模糊神经网络、基于RBF的T-S模糊神经网络.对于像电站锅炉燃烧过程这类较复杂