神经网络训练中的粒子滤波算法
基本粒子滤波算法已被成功用于训练神经网络，但该算法在建议分布的选择上并没有考虑当前时刻观测值的影响，本文针对该问题提出使用迭代扩展卡尔曼滤波器来生成建议分布。由于迭代扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中，充分利用了观测值信息，从而可以更好的描述神经网络权值的后验概率分布。实验结果证明，在训练神经网络时，使用迭代扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法及扩展卡尔曼粒子滤波算法(EKPF)。
神经网络训练 迭代扩展 卡尔曼粒子滤波 协方差 后验概率分布
张应博 秦钟 王法胜
大连理工大学城市学院,大连116600 广州大学土木工程学院,广州510006 大连东软信息学院计算机系,大连116023
国内会议
北京
中文
2416-2420
2010-07-29（万方平台首次上网日期，不代表论文的发表时间）