[发明专利]一种基于样本增量驱动的神经网络增量型前馈算法

摘要

一种基于样本增量驱动的神经网络增量型前馈算法，神经网络的输入权值和隐层阈值根据输入样本的特性，采用最小二乘方法计算所得，完成模型参数初始化；模型的输入权值和隐层阈值根据新样本与旧样本之间的增量进行更新，建立模型参数与输入样本之间的函数关系，实现样本自适应性和在线前馈调整的功能。本发明算法具有预测精度高、泛化能力强、可在线前馈调节等优点。

主权项

一种基于样本增量驱动的神经网络增量型前馈算法，其特征在于，所述算法步骤如下：步骤1，在神经网络中，选取任意时刻L₀个训练样本进行模型参数初始化；步骤2，计算得出输入权值和隐层阈值；步骤3，再计算得出隐层输出矩阵H₀；步骤4，根据最小二乘法和MP广义逆法计算得出输出权值矩阵β₀；步骤5，引入新样本X₁，计算新样本与初始训练样本的第L₀个样本之间是否有增量，如果有样本增量，根据样本增量对输入权值和隐层阈值进行更新；如果没有样本增量，则不修改输入权值和隐层阈值，不进行更新；步骤6，计算新样本的隐层输出矩阵；步骤7，动态更新输出权值矩阵，计算得到模型输出权值矩阵；步骤8，判断所有样本是否测试完毕，若测试完毕，则模型建立完成，否则返回步骤5重新检测新旧样本增量继续学习；建立模型参数与输入样本之间的函数关系，根据样本增量对优化模型的输入权值和隐层阈值进行在线前馈调节。