论文部分内容阅读
为了适当的将过程神经网络的初始离散数据连续化，研究利用Neville型插值的简洁性和高效性，在不需知道原始数据导数的条件下，就能够直接将离散数据连续化，过程非常简便和实用。之后为了更加方便计算以及对过程神经网络有更好的了解，巧妙的构造一组标准正交基将隐含层结构中的积分运算去除，此时发现过程神经网络等价于具有“前层”的传统神经网络。实验结果表明，该方法进行离散数据的连续化转化是可行的。