针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS...针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS类型的模糊规则组成,规则后件采用ESNs网络.研究表明,TS模型和ESN都可以看做是FESN模型的某种特例,而且FESNs具有较强的非线性映射能力、局部反馈以及学习算法稳定等特点.同时,其模型参数确定方法与经典TS模型以及ESN一样可以归结为一个线性回归问题,大大减少了网络训练的计算量.仿真实验表明,与经典TS模型相比,FESNs在不显著增加建模时间情况下可有效提高建模精度.展开更多
文摘针对基于梯度下降的模糊递归神经网络训练效率低、容易陷入局部极小的缺点,本文基于回声状态网络(Echo State Networks,ESNs)和TS模型提出一种新的模糊模型结构———模糊回声状态网络(Fuzzy Echo State Networks,FESNs).FESNs由多条TS类型的模糊规则组成,规则后件采用ESNs网络.研究表明,TS模型和ESN都可以看做是FESN模型的某种特例,而且FESNs具有较强的非线性映射能力、局部反馈以及学习算法稳定等特点.同时,其模型参数确定方法与经典TS模型以及ESN一样可以归结为一个线性回归问题,大大减少了网络训练的计算量.仿真实验表明,与经典TS模型相比,FESNs在不显著增加建模时间情况下可有效提高建模精度.
