GRNN与RBFNN的二元函数逼近性能对比研究

计算机与现代化

GRNN与RBFNN的二元函数逼近性能对比研究

渤海大学工学院，辽宁锦州121013

收稿日期:2014-01-02 出版日期:2014-04-17 发布日期:2014-04-23
作者简介:作者简介：丁硕（1979），男（蒙古族），天津人，渤海大学工学院讲师，研究方向：人工智能，神经网络；常晓恒（1977），男，天津人，教授，研究方向：系统建模，控制系统稳定性。
基金资助:

基金项目：国家自然科学基金资助项目（61104071）

Comparative Study on Binary Function Approximation Performances of GRNN and RBFNN

College of Engineering, Bohai University, Jinzhou 121013, China

Received:2014-01-02 Online:2014-04-17 Published:2014-04-23

摘要/Abstract

摘要：

摘要：为了研究GRNN和RBFNN对于二元非线性函数的逼近能力，本文编程建立GRNN和RBFNN，并以具体的二元非线性函数为例，分别用2种神经网络对其进行逼近。仿真结果表明，相对于RBFNN而言，GRNN对于二元非线性函数的逼近精度更高、收敛速度更快，具有很好的逼近能力，为解决二元非线性函数的逼近问题提供了良好的解决手段。



关键词: 广义回归神经网络, 径向基函数神经网络, 二元函数, 逼近, 仿真

Abstract:

Abstract: In order to compare the approximation performances of GRNN and RBFNN to binary functions, GRNN and RBFNN are first established through computer programming in this paper. A specific binary function is taken as an example to be approximated using the above two neural networks respectively. The simulation results show that in approximation to a binary function, compared with RBFNN, GRNN has higher precision, faster convergence speed, and better approximation ability. Thus it provides a good method to solve the problem of binary nonlinear function approximation.

Key words:

Key words: GRNN, RBFNN, binary function, approximation, simulation

中图分类号:

TP183

丁硕，常晓恒，巫庆辉. GRNN与RBFNN的二元函数逼近性能对比研究[J]. 计算机与现代化.

DING Shuo, CHANG Xiaoheng, WU Qinghui. Comparative Study on Binary Function Approximation Performances of GRNN and RBFNN[J]. Computer and Modernization.

参考文献

［1］

黄忠明，吴志红，刘全喜. 几种用于非线性函数逼近的神经网络方法研究［J］. 兵工自动化， 2009,28（10）：8892. 

［2］丁硕，巫庆辉．基于改进BP神经网络的函数逼近性能对比研究［J］. 计算机与现代化， 2012(11):1013，17.

〖LL〗［3］ Ding Shuo, Wu Qinghui. A MATLABbased study on approximation performances of improved algorithms of typical BP neural networks［J］. Applied Mechanics and Materials, 2013,313314:13531356.

［4］ Ding Shuo, Chang Xiaoheng. A MATLABbased study on the realization and approximation performance of RBF neural networks［J］. Applied Mechanics and Materials, 2013,325326:17461749.

［5］ Ding Shuo, Chang Xiaoheng, Wu Qinghui. Approximation performance of BP neural networks improved by heuristic approach［J］. Applied Mechanics and Materials, 2013,411414:19521955.

［6］马东宇. 基于Gaussian型RBF神经网络的函数逼近与应用［D］. 长沙：中南大学, 2011.

［7］孙晓慧．基于人工神经网络的赤潮预测方法研究［D］. 舟山：浙江海洋学院, 2012.

［8］丁硕，常晓恒，巫庆辉．LMBP和RBF在ECS特性曲线拟合中对比研究［J］. 吉林大学学报:信息科学版, 2013，31(2)：203209.

［9］王斌. 面向风电机组齿轮箱的故障诊断系统研究［D］. 保定：华北电力大学, 2012.

［10］智会强，牛坤，田亮,等. BP网络和RBF网络在函数逼近领域内的比较研究［J］. 科技通报， 2005,21（2）：193197.

［11］曾德惠. 基于Matlab实现函数逼近［J］. 现代电子技术， 2009,32（18）：141143.

［12］丁硕，常晓恒． Gaussian型RBF神经网络的函数逼近仿真研究［J］. 河南科学， 2013，31（9）：13831386.

［13］钱光兴，崔东文. RBF与GRNN神经网络模型在城市需水预测中的应用［J］. 水资源与水工程学报， 2012，23（5）：148152.

[1]	张春晖, 聂芸, 王国伟. 空天三维仿真中空间目标实时渲染算法[J]. 计算机与现代化, 2023, 0(11): 82-88.
[2]	刘续, 查可可. 一种用于机场特种车辆作业的环境目标识别方法[J]. 计算机与现代化, 2023, 0(08): 18-24.
[3]	陈刚, 王志坚, 徐胜超. 基于可行点追踪-连续凸逼近的移动边缘计算任务卸载[J]. 计算机与现代化, 2023, 0(08): 93-97.
[4]	刘聪, 聂芸, 王国伟. 空天三维仿真的实体多元表达方法[J]. 计算机与现代化, 2023, 0(04): 90-94.
[5]	张晶, 马潇潇. 海绵校园更新设计虚拟仿真实验系统[J]. 计算机与现代化, 2022, 0(04): 110-114.
[6]	周秀芝, 崔益鹏, 孙忠云. 雷达成像仿真研究综述[J]. 计算机与现代化, 2021, 0(08): 30-34.
[7]	曾旭阳, 孙卡. 基于DI-Guy的校园消防训练仿真[J]. 计算机与现代化, 2021, 0(08): 35-39.
[8]	孙璐, 薛晓斐, 程妞妞. 基于SI1SI2R模型的异质群体重复感染的传染病建模与仿真[J]. 计算机与现代化, 2021, 0(05): 98-104.
[9]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[10]	刘嘉昕, 游珍, 黄捷文, 陈家祥, 胡洪文, . 基于庐山三维场景的图算法虚拟仿真系统研究[J]. 计算机与现代化, 2020, 0(12): 90-98.
[11]	杨勤, 王嘉斌, 王卫星. 基于Jack的老年人辅助座椅需求研究及仿真分析[J]. 计算机与现代化, 2020, 0(09): 106-111.
[12]	刘海龙, 张蕾, 吴海波. 基于多工业机器人的轮毂打磨工作站系统[J]. 计算机与现代化, 2020, 0(09): 118-121.
[13]	孙智博, 徐向辉, . 基于谱归一化生成对抗网络的目标SAR图像仿真方法[J]. 计算机与现代化, 2020, 0(08): 14-20.
[14]	刘瑞峰，王家胜，张灏龙，田梦凡. 行为树技术的研究进展与应用[J]. 计算机与现代化, 2020, 0(02): 76-.
[15]	秦鹏霄. 基于Kriging模型的铁路棚架结构失效预测[J]. 计算机与现代化, 2019, 0(12): 6-.