一些流行ANN算法在基准测试和函数逼近问题上的性能比较

我们报告了人工神经网络领域中一些流行算法（即局部搜索算法、全局搜索算法、高阶算法和混合算法）的相互比较，通过将它们应用于标准基准测试问题，如IRIS数据、XOR/N位奇偶校验和双螺旋问题。除了对这些算法进行简要描述外，本文还给出了上述基准测试问题的结果。结果表明，对于N位奇偶校验和双螺旋问题，Levenberg-Marquardt算法产生的均方根误差最低；而对于IRIS数据问题，高阶神经元算法给出了最佳结果。对于XOR问题，神经模糊算法获得了最佳结果。上述算法还应用于求解多个回归问题，例如cos(x)和一些特殊函数，如Gamma函数、互补误差函数和上尾累积$\chi^2$分布函数。这些回归问题的结果表明，在本研究使用的所有ANN算法中，Levenberg-Marquardt算法给出了最佳结果。考虑到这些函数的高度非线性行为和宽动态范围，建议将这些函数也视为使用人工神经网络进行函数逼近的标准基准问题。