14、动态细胞结构网络性能分析

动态细胞结构网络性能分析

1. 引言

神经网络模型常被视为黑盒工具，在众多领域有成功应用案例。在飞行控制等安全关键系统中，神经网络作为主要的软计算范式，用于支持在线自适应和损伤自适应控制。其优势在于能应对不断变化的环境，但由于其复杂性和非线性，神经网络的验证极具挑战，难以保证可靠的性能预测。在系统运行过程中，需要对神经网络预测中的不确定性（低置信度）进行分析和测量。

动态细胞结构（DCS）网络是一种动态增长结构，具有拓扑保持自适应学习能力，能对各种复杂数据流形做出响应和学习。例如在NASA智能飞行控制系统（IFCS）中，DCS作为在线自适应学习器，表现优于径向基函数（RBF）和多层感知器（MLP）网络模型。

神经网络模型的质量涉及两个重要方面：
- 召回（Recall） ：若模型用输入值集合D进行训练，它应对这些数据产生正确（或接近正确）的值。
- 泛化（Generalization） ：模型还应在不在D中的输入上提供合理结果。

DCS网络初始化时只有两个相连的神经元，然后动态调整自身结构以更好地表示数据，无需预先确定结构细节。本文提出对DCS网络进行参数敏感性分析和引入有效性指数（Validity Index，VI），以评估其在线预测性能。

2. 相关工作

传统上，自适应计算范式（尤其是神经网络）常被用作函数逼近器或数据分类工具，其验证通常基于训练 - 测试 - 再训练的经验过程。一些方法在训练算法中加入验证步骤，但这些方法仅适用于无需在线学习和自适应的预训练系统。

在验证和验证神经网络方面，有多种不