知识卡片
预测模型需输入输出辨识
用神经网络做预测控制,先要收集被控对象的输入、输出及足够的动态状态数据,再训练能预测未来输出的模型。BP 与 RBF 等前馈网络不自带时序记忆,若要表示动态过程,必须显式加入过去输入、输出或状态;带局部反馈的 Elman 网络能在隐藏状态中保留部分历史。模型的预测误差和适用范围须用独立数据检验。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 4 . 1 基 于 神 经 网 络 算 法 的 预 测 模 型 · 查看原书依据
神经网络建模属于实验建模法,需要对控制对象进行大量的输入输出测试,收集到的测试数据用于训练神经网络,确定网络模型参数,最终得到预测模型。
参考来源
- 位置:《智能算法导论》第 188 项《19.4.1 基于神经网络算法的预测模型》(源文件:`_epub-src/EPUB/xhtml/chapter19_0011.xhtml`)
- 结论依据:正文以输入输出测试训练模型,比较 BP/RBF 前馈网络与含局部反馈的 Elman 网络,并指出前馈模型需要辨别阶次。
- 原始内容:“需要对控制对象进行大量的输入输出测试,收集到的测试数据用于训练神经网络……BP和RBF神经网络都是前馈网络,不包含反馈部分”。