基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时，收敛速度较快，但收敛精度往往不高；而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射，但在极值点处收敛速度缓慢．针对上述问题，提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法．该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络，以基本Elman网络隐层单元输出作为非线性系统的状态变量，通过Kalman滤波算法实现状态变量的快速准确跟踪，然后通过梯度下降法修正权值以保证精度．另外，在训练过程中，通过增加训练样本的信息内容来提高网络收敛的精度．仿真结果表明了该算法的有效性．