有理權函數神經網絡研究及其在數據挖掘中的應用.pdf

1、針對傳統(tǒng)神經網絡學習算法（如BP算法、RBF算法）等訓練權值難以反映訓練樣本信息的缺陷，南京郵電大學的張代遠教授在專著《神經網絡新理論與方法》提出了樣條權函數神經網絡算法，樣條權函數神經網絡算法能夠很好地反映樣本的信息特征，而且隨著樣本個數的增加，網絡的泛化能力也在增強。本文在張代遠教授的研究基礎上，首先利用倒差商－連分式方法，構造了以有理函數作為權函數的新型人工神經網絡－有理權函數神經網絡；然后結合有理權函數神經網絡結構對網絡在多輸入

2、單輸出和多輸入多輸出兩種情況下的誤差進行分析。分析結果表明，訓練樣本個數越多，誤差值越??；最后通過實例來驗證有理權函數神經網絡算法的逼近能力、泛化能力以及處理多維輸入與輸出的能力，且從計算精度和時間效率兩方面將其與傳統(tǒng)算法（BP算法、RBF算法）作比較。實例的數值仿真結果表明，本文中的有理權函數神經網絡是可行和有效的，并具有較好的精確性。
　　 在應用部分，由于神經網絡十分適合處理非線性和含噪音的數據，尤其是對那些以模糊、不完整