摘要：运用两阶段学习方法构建径向基函数（RBF）神经网络模型预测混沌时间序列．在利用非监督学习算法确定网络隐层中心时，提出了一种基于高斯基的距离度量，并联合输入输出聚类的策略．基于Fisher可分离率设计高斯基距离度量中的惩罚因子，可以提高聚类的性能．而输入输出聚类策略的引入，建立了聚类性能与网络预测性能之间的联系．因此，根据本文方法构建的网络模型，一方面可以加快网络训练的速度，另一方面可以提高预测性能．将该方法对Mackey-Glass，Loren互和Logistic混沌时间序列进行了预测仿真研究，仿真结果表明了该方法的有效性．

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）