Resumen

La red neuronal tiene ventajas de autoaprendizaje, autoadaptación y tolerancia a fallos. Puede establecer un modelo de evaluación cualitativo y cuantitativo que se acerca a los patrones de pensamiento humano. Sin embargo, la estructura y la tasa de convergencia de la red neuronal de función de base radial (RBF) necesitan ser mejoradas. Este artículo propone una nueva estructura variable de función de base radial (VS-RBF) con una rápida tasa de aprendizaje, con el fin de resolver el problema de diseño de optimización estructural y algoritmo de aprendizaje de parámetros para la red neuronal de función de base radial. El número de neuronas en la capa oculta se ajusta calculando la información de salida de las neuronas en la capa oculta y la multi-información entre las neuronas en la capa oculta y la capa de salida. Este método resuelve eficazmente el problema de que la estructura de la red neuronal RBF sea demasiado grande o demasiado pequeña. La tasa de convergencia de la red neuronal RBF se mejora utilizando el algorit

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Red neuronal; Autoaprendizaje; Autoadaptación; Tolerancia a fallos; Función de base radial; Tasa de convergencia
• Keywords:Neural network; Self-learning; Self-adaptation; Fault tolerance; Radial basis function; Convergence rate