模糊自适应变权重算法在函数链神经网络预测中的应用

"基于模糊自适应变权重算法的函数链神经网络预测方法 (2011年)，中南大学学报(自然科学版)，罗周全，左红艳，王爽英，王益伟" 本文主要探讨了一种针对复杂工业系统非线性时间序列预测的新方法，即基于模糊自适应变权重算法的函数链神经网络预测模型。函数链神经网络（Functional Link Neural Network, FLNN）是一种特殊的神经网络结构，其核心思想是通过链式连接的函数层来构建网络，以处理非线性关系。在传统的FLNN基础上，该研究引入了模糊逻辑和自适应权重调整策略，以提高预测精度和泛化能力。 在该研究中，首先，利用不同单个预测模型对复杂工业系统的非线性时间序列进行预测，得到多个预测值。这些预测值被用作FLNN的原始输入。随后，通过对原始输入值进行正交三角函数的扩展，增加输入维度，以捕获更多的时间序列特征。扩展后的输入值被输入到FLNN中，以形成更丰富的网络输入空间。 接着，研究者分析了函数链神经网络的拟合条件，提出了模糊自适应变权重算法来动态地计算网络权重。这种算法利用模糊逻辑来处理不确定性，根据输入数据的特性自适应地调整权重，使得网络能更好地适应非线性变化。模糊逻辑的选择和权重的调整过程能够使网络在不同阶段和不同条件下具有更好的适应性和预测性能。 通过实证研究，作者证明了基于模糊自适应变权重算法的FLNN预测模型在预测复杂工业系统非线性时间序列时，具有较高的精度。具体表现为平均误差和预测平方根误差较小，这表明该模型对异常值的处理能力和泛化能力较强。因此，该模型适用于处理那些传统方法难以准确预测的复杂非线性问题，对于工业系统的决策支持具有重要意义。 该研究提供了一种新的时间序列预测工具，将模糊逻辑和自适应权重调整技术应用于函数链神经网络，有效地提升了预测模型的性能。这种方法不仅可以用于复杂工业系统，还可以在其他领域，如金融市场预测、环境监测、能源消耗预测等非线性问题中发挥重要作用。