基于遗传规划实现泛函网络神经元函数类型优化

泛函网络是最近提出的一种对神经网络的有效推广。与神经网络不同，它处理的是一般的泛函模型，其神经元函数不固定，而是可学习的，且在各个处理单元之间没有权值。同神经网络一样，至今还没有系统设计方法能够对给定问题设计出近似最优的结构。鉴于此，将整个泛函网络的设计分解为单个神经元的逐个设计；然后，在此框架下提出了基于遗传规划的单个神经元的设计方法，该方法可实现对神经元函数类型的优化。仿真实验表明，本方法是有效可行的，能用较小的网络规模获得更满意的泛化特性。