改进的RBF模糊神经网络：提升收敛与泛化性能

本文主要探讨了一种改进的基于扩展的RBF（Radial Basis Function，径向基函数）模糊神经网络（RBDFNN），针对Wu Shiqian等人提出的动态模糊神经网络（D-FNN）在参数估计中存在的问题。在D-FNN中，直接使用输入数据调整中心参数可能导致网络收敛速度较慢且泛化能力不足。为解决这一问题，研究人员提出了新的网络结构，它结合了连续学习方法和分级学习思想。 在RBDFNN的设计中，关键改进在于对高斯隶属函数中心的动态调整策略。传统的调整方式忽略了宽度调整对中心位置的影响，而新的算法在估计前提参数时，充分考虑了这两个因素之间的相互作用。这种改进有助于提高网络的学习效率和泛化性能，使得算法能够自动识别模糊规则，从而提升网络的整体性能。 通过仿真实验，结果表明，相较于原D-FNN，改进后的RBDFNN在收敛速度和泛化能力方面具有显著优势。这主要归功于其更加精细的参数调整策略和更有效的规则确定机制。模糊神经网络作为一种混合系统，其设计的成功对于实际应用中的模式识别、预测和控制任务具有重要意义。 因此，本文的研究为模糊神经网络的设计提供了新的思路，特别是在参数优化和结构自适应方面，有助于提升网络的性能和实用性，特别是在处理复杂非线性问题时，具有潜在的应用价值。关键词包括模糊神经网络、参数调整、泛化能力，该研究被分类在计算机科学领域，特别关注的是TP183类别，文献标志码为A，表明其学术价值和可引用性。