劳稳超
- 作品数：6 被引量：43H指数：4
- 供职机构：教育部更多>>
- 发文基金：国家自然科学基金国家教育部博士点基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术更多>>
- 多类单输入多项式神经网络预测能力比较被引量：4
- 2014年
- 多项式神经网络是根据函数逼近理论与多项式插值建立的一种以线性无关或者正交多项式为隐层神经元激励函数的前向神经网络。分别利用Legendre多项式、Hermite多项式、第一类Chebyshev多项式、第二类Chebyshev多项式、Bernoulli多项式及幂函数构造相应的单输入多项式神经网络,设计出一种适用于该六类神经网络的增长型权值与结构确定算法以确定其相应的最优网络结构与连接权值。基于该算法,深入研究了采用不同的隐层神经元激励函数时多项式神经网络的学习和预测能力。仿真结果表明,除了由Hermite多项式和Bernoulli多项式构建的神经网络的学习和预测能力相对一般外,其他四类神经网络都具有较为优越的学习和预测能力。最后,利用第一类Chebyshev多项式神经网络对世界人口趋势进行了仿真预测。
- 张雨浓陈锦浩劳稳超张智军仇尧
- 关键词：正交多项式世界人口
- 龙格现象难题破解之系数与阶次双确定方法被引量：15
- 2013年
- 龙格现象指出,使用基于等距节点的高阶插值多项式逼近龙格函数时,插值多项式在逼近区间两端会产生明显的振荡现象。因此,传统认为,不适宜用基于等距节点的高阶多项式逼近龙格函数。针对龙格现象,展示一种新型的多项式系数与阶次双确定方法。该方法可快速构造出基于等距节点的不会振荡且有较高逼近精度的高阶多项式,良好地逼近龙格函数。计算机数值实验表明该方法是有效的,即运用基于等距节点的高阶多项式可以很好地消解龙格现象。
- 张雨浓李名鸣陈锦浩劳稳超吴华荣
- 关键词：函数逼近等距节点
- 两输入幂激励前向神经网络权值与结构确定被引量：11
- 2012年
- 基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型。以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法。计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力。
- 张雨浓劳稳超余晓填李钧
- 关键词：权值直接确定法
- 三次样条构造的伪逆解法被引量：2
- 2014年
- 为了提高三次样条构造的可行性,基于矩阵的伪逆方法,提出一种不依赖额外约束条件的三次样条构造的伪逆解法。该解法通过求解出三次样条二阶导数的最小范数解,从而较好地构造出三次样条函数。理论分析及数值实验结果表明该三次样条构造的伪逆解法具有简单、有效等特点。综合分析各种构造解法的性质,对各种三次样条构造解法进行归类比较,为在实际工程计算应用中选择合适的三次样条构造解法提供了指导方向。
- 张雨浓劳稳超肖林陈宇曦
- 关键词：三次样条函数插值伪逆最小范数解
- 基于ARIMA与WASDN加权组合的时间序列预测被引量：6
- 2015年
- 为了提高时间序列预测方法的预测精度以及增强其适用性,提出一种ARIMA-WASDN加权组合方法。该方法同时使用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型与配备权值及结构确定(weights and structure determination,WASD)算法的幂激励前向神经网络(WASDN)对时间序列进行建模、测试以及预测。根据测试结果,将ARIMA与WASDN进行加权组合。数值实验结果显示,所提出的ARIMA-WASDN加权组合方法的预测精度高于ARIMA或WASDN单独使用时的预测精度,验证了该方法在时间序列预测方面的有效性和优越性。
- 张雨浓劳稳超丁玮翔王英叶成绪
- 关键词：时间序列预测
- 符号函数激励的WASD神经网络与XOR应用被引量：5
- 2014年
- 基于权值与结构确定(WASD)算法,提出和构建了一种以非连续符号函数为隐层神经元激励函数的WASD神经网络模型。通过WASD算法,能有效地确定所构建网络的权值及网络的最优结构。该文也将此网络模型应用于XOR(异或)上,并详细讨论了在带噪类型不同时网络在此应用上的性能。计算机数值实验结果验证了所提出的权值与结构确定法能够有效地确定出网络的最优权值与结构,所构建的WASD网络在XOR应用上具有优秀的抗噪性能。另外,通过对比符号函数激励的WASD神经网络与幂函数激励的WASD神经网络在高维XOR应用方面的性能差异,证实了所提出的符号函数激励的WASD神经网络及算法在解决非线性问题时的优越性。
- 张雨浓王茹劳稳超邓健豪
- 关键词：神经网络高维
