实验数据RBF神经网络模型中噪声的处理方法

摘要

实验数据的非线性建模,是对各种仪器、设备的性能进行校正和补偿的基础.讨论了神经网络非线性建模时数据中的噪声成分造成的过拟合现象以及对模型精度的影响,针对RBF网络给出了2种提高建模精度的方法:建模数据预处理法和网络参数优化法.在数据预处理方法中,根据建模样本的特点,分别采用滑动平均法和灰色模型法对原始建模数据进行修正,并分析了它们的适用场合;对于后一种方法,选择径向基函数分布宽度和学习目标进行优化.以精密平台为例进行了实验,通过对其定位误差的测量、建模和预测,证明了上述各种方法的有效性,特别是后一种方法,可以得到非常高的建模精度。