基于卡爾曼濾波器算法的徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究.pdf

1、卡爾曼濾波算法是工業(yè)中常用的優(yōu)化算法之一，廣泛應(yīng)用于去噪、濾波、優(yōu)化等。由于其優(yōu)越的數(shù)學(xué)特性，所以很多的文獻(xiàn)中已經(jīng)將它用于例如前向神經(jīng)網(wǎng)絡(luò)以及遞歸神經(jīng)網(wǎng)絡(luò)等一些神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本文首先對(duì)各種濾波算法應(yīng)用于(RBFN)的訓(xùn)練進(jìn)行仿真研究，找出其優(yōu)缺點(diǎn)，在此基礎(chǔ)上提出了采用無(wú)先導(dǎo)卡爾曼濾波算法(Unscented Kalman Filter-UKF)來(lái)訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)的新方法。
　　 擴(kuò)展卡爾曼濾波器(EKF)已經(jīng)被廣

2、泛的應(yīng)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。但是本文通過(guò)仿真、研究，發(fā)現(xiàn)EKF的缺點(diǎn)是當(dāng)訓(xùn)練集很大的時(shí)候，這種算法的計(jì)算量將會(huì)非常的大而復(fù)雜以至于不能完成訓(xùn)練任務(wù)，尤其對(duì)于RBFN。原因是因?yàn)镋KF的狀態(tài)向量包含了所有神經(jīng)網(wǎng)絡(luò)參數(shù)，這其中包括網(wǎng)絡(luò)中心點(diǎn)、權(quán)值等等內(nèi)容，運(yùn)算量非常大。針對(duì)這些問(wèn)題，之后本文嘗試運(yùn)用雙重卡爾曼濾波器算法(DEKF)，目的是將作為卡爾曼濾波器狀態(tài)變量的RBFN參數(shù)進(jìn)行降維，改為由兩個(gè)并行處理的濾波器進(jìn)行優(yōu)化計(jì)算，最終結(jié)果雖然有一