控制与决策

作者：郭鑫,李文静,乔俊飞

单位：1. 北京工业大学信息学部，北京100124;2. 计算智能与智能系统北京市重点实验室，北京100124,,1. 北京工业大学信息学部，北京100124;2. 计算智能与智能系统北京市重点实验室，北京100124,,1. 北京工业大学信息学部，北京100124;2. 计算智能与智能系统北京市重点实验室，北京100124,

关键词：自适应;模块化神经网络;局部密度;固定记忆;在线梯度下降;时变系统

基金：国家自然科学基金项目(61533002,61603009)；北京市自然科学基金项目(4182007)；北京工业大学日新人才计划项目(2017- RX(1)-04).

针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局部密度及RBF神经元中心,实现样本空间在线划分;然后,将子网络模块数根据划分样本空间的个数进行自适应增减,每个子网络模块对属于对应样本空间的样本进行学习;最后,集成模块对子网络模块的输出结果进行集成,输出最终结果.针对在线梯度下降法要求样本有足够的随机性问题,提出一种具有固定记忆的在线梯度下降法对网络进行在线学习.通过对典型非线性时变系统及污水处理过程中出水氨氮浓度进行预测,验证了该模块化神经网络能够实时有效地更新RBF神经元中心,并减少学习过程中子网络模块不必要的增减,且网络结构更加简洁,能够准确预测不同的时变系统.

来源：2020年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2020年第7期