APP下载

基于渐消滤波的神经网络优化算法及其应用

2016-01-19

西北工业大学学报 2015年2期



基于渐消滤波的神经网络优化算法及其应用

高社生,杨一,高兵兵

(西北工业大学自动化学院,陕西西安710072)

摘要:针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。

关键词:神经网络;渐消滤波;学习算法;组合导航

人工神经网络因其具有拓扑结构简单和全局逼近能力较强的特点,在时间序列预测、非线性系统建模与控制等方面得到了广泛的应用[1-2]。在各类神经网络模型中应用最广泛的是前馈神经网络,前馈网络中最常用的是基于梯度下降法的BP (back propagation)神经网络。然而,BP神经网络存在以下缺点:①学习算法的收敛速度较慢,BP算法是以梯度下降法为基础,因此只具有线性收敛速度;②学习因子η没有可遵循的选择规则,完全根据经验选取;③易陷入局部极小值,从数学角度看,BP算法是一种非线性的优化问题,这就不可避免地存在局部极小问题[3-4]。……

登录APP查看全文