资源分配神经网络解决Mackey-Glass时间序列预测函数逼近问题

资 源 简 介

资源分配神经网络解决Mackey-Glass时间序列预测函数逼近问题

详 情 说 明

资源分配神经网络（Resource-Allocating Network, RAN）是一种自适应增长的径向基函数（RBF）网络，特别适用于非线性时间序列预测问题。在处理Mackey-Glass混沌时间序列这类复杂动态系统时，RAN通过动态调整网络结构（如按需增加隐含层节点）实现高效函数逼近。

其核心思路是： 增量学习机制：当新输入数据超出当前网络覆盖范围时，自动分配新的RBF节点，避免传统神经网络需预设结构的局限性。 局部响应特性：每个RBF节点仅对输入空间的局部区域敏感，适合捕捉Mackey-Glass方程（具有时滞特性的混沌系统）的突变模式。 资源优化：通过阈值控制节点增长，平衡预测精度与计算复杂度，这对长程时间序列预测尤为重要。

在Mackey-Glass预测任务中，RAN能逐步学习系统的混沌吸引子特征，相比静态网络更擅长处理其非周期性振荡。典型改进方向包括结合在线剪枝策略或自适应学习率以提升对噪声的鲁棒性。