基于魯棒成本函數的隨機模糊神經網絡參數學習算法

王軍平　陳全世

摘要：為了解決采用最小方差型的誤差成本函數進行輸入含噪系統參數學習時的隨機模糊神經網絡（SFNN）參數不能收斂至真值的問題，將包含噪聲方差的誤差成本函數推廣到多入單出系統，并根據魯棒統計學理論和目標函數在參數學習中的導和作用，地目標函數進行修正，使之對于不服從統計分布的粗大誤差也能有效處理。在此基礎上提出了SFNN的魯棒參數學習算法，并且輸入輸出的數據中的噪聲方差也通過學習而得到，從而避免了需要多次測量的要求。結果表明，SFNN魯棒參數學習算法能抑制粗大誤差和系統噪聲。最后，通過仿真對比驗證表明了該方法的有效性。

關鍵詞：隨機模糊神經網絡；誤差成本函數；魯棒參數學習算法

中圖分類號：TP18 文獻標識碼：A