有理權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)研究及其在數(shù)據(jù)挖掘中的應(yīng)用.pdf

1、針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法（如BP算法、RBF算法）等訓(xùn)練權(quán)值難以反映訓(xùn)練樣本信息的缺陷，南京郵電大學(xué)的張代遠(yuǎn)教授在專著《神經(jīng)網(wǎng)絡(luò)新理論與方法》提出了樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)算法，樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)算法能夠很好地反映樣本的信息特征，而且隨著樣本個(gè)數(shù)的增加，網(wǎng)絡(luò)的泛化能力也在增強(qiáng)。本文在張代遠(yuǎn)教授的研究基礎(chǔ)上，首先利用倒差商－連分式方法，構(gòu)造了以有理函數(shù)作為權(quán)函數(shù)的新型人工神經(jīng)網(wǎng)絡(luò)－有理權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)；然后結(jié)合有理權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)網(wǎng)絡(luò)在多輸入

2、單輸出和多輸入多輸出兩種情況下的誤差進(jìn)行分析。分析結(jié)果表明，訓(xùn)練樣本個(gè)數(shù)越多，誤差值越??；最后通過(guò)實(shí)例來(lái)驗(yàn)證有理權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)算法的逼近能力、泛化能力以及處理多維輸入與輸出的能力，且從計(jì)算精度和時(shí)間效率兩方面將其與傳統(tǒng)算法（BP算法、RBF算法）作比較。實(shí)例的數(shù)值仿真結(jié)果表明，本文中的有理權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)是可行和有效的，并具有較好的精確性。
　　 在應(yīng)用部分，由于神經(jīng)網(wǎng)絡(luò)十分適合處理非線性和含噪音的數(shù)據(jù)，尤其是對(duì)那些以模糊、不完整