持续激发改善的RBF神经网络:神经元动态增长战略

科学领域:

• 计算智能是一种计算智能.
• 机器学习是机器学习.
• 人工神经网络的人工神经网络

背景情况:

• 射线基函数神经网络 (RBF NNs) 广泛使用,但可能遭受高维度和大神经元数量的损害.
• 现有的神经元固定均距离策略 (NFES) 缺乏适应性和对复杂动态系统的效率.

研究的目的:

• 为RBF NNs引入一种新的神经元动态生长 (NDG) 策略.
• 通过优化 RBF NN 结构和性能来增强动态学习控制.
• 为了减少计算负担和数据存储要求.

主要方法:

• NDG策略基于输入神经元距离值动态生成神经元.
• 选择一个单一的初始神经元,根据系统状态添加后续的神经元.
• 持续兴奋 (PE) 被严格核实,以确保动态学习能力.

主要成果:

• NDG策略大大减少了神经元的数量,特别是对于高维输入.
• 建立了选择神经元中心和紧集大小的理论标准.
• 与动态学习控制集成可以提高过渡性性能,减少资源需求.

结论:

• 拟议的NDG战略提供了一个更高效和更适应的RBF NN架构.
• 这种方法有效地提高了控制性能,同时最大限度地降低了计算和存储开销.
• 该NDG战略为动态学习控制应用提供了一个强大的框架.