结合svd_tls及ekf算法的动态自组织模糊神经网络在动态系统中的应用

针对如何优化模糊神经网络的规则及如何合理地调整非线性参数及线性参数等问题，提出了将奇异值分解_总体最小二乘法(svd_tls)及扩展卡尔曼滤波(ekf)相结合的动态自组织模糊神经网络(std_dsfnn)。首先给出了stddsfnn的结构及各层的含义;其次，用ekf算法学习非线性参数，svd_tls算法学习线性参数的同时提取重要模糊规则;最后，通过典型的machey-ulass时间序列预测实例验证svd_tls及ekf相结合的动态自组织模糊神经网络(ste_dsfnn)，同时与dfnn,anfis及ukf_dfnn相对比，结果表明stedsfnn网络结构更紧凑，具有更好的泛化能力。