徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法及其性能研究.pdf

1、在眾多的神經(jīng)網(wǎng)絡(luò)模型中，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF神經(jīng)網(wǎng)絡(luò)）以其網(wǎng)絡(luò)設(shè)計采用原理化方法，結(jié)構(gòu)簡單并且具有堅實的數(shù)學(xué)基礎(chǔ)等多種優(yōu)點而廣泛應(yīng)用于模式識別、函數(shù)逼近、非線性系統(tǒng)建模、時序分析等領(lǐng)域。本文詳細(xì)論述了RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理，并且對RBF神經(jīng)網(wǎng)絡(luò)的多種學(xué)習(xí)算法進行了深入的研究，主要工作如下： （1）對RBF神經(jīng)網(wǎng)絡(luò)現(xiàn)有的算法進行了分類與分析，對其中的某些算法設(shè)計了仿真實驗，理解了各類學(xué)習(xí)算法的工作原理以及它們各自的優(yōu)缺點

2、，為下一步的工作奠定基礎(chǔ)。 （2）從非線性回歸的角度深入分析研究了RBF神經(jīng)網(wǎng)絡(luò)的泛化理論，對徑向基神經(jīng)網(wǎng)絡(luò)的逼近誤差和泛化誤差進行了理論推導(dǎo)并且得到了一些有用的結(jié)論，在某些情況下可以用來指導(dǎo)徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定。 （3）我們知道，對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程實際上就是確定隱層結(jié)構(gòu)和連接權(quán)值的過程。本文通過對已有算法和理論的深入研究與分析，提出了三種改進的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，分別是： ①基于Kohonen網(wǎng)

3、絡(luò)與OLS算法的數(shù)據(jù)中心選擇算法。本算法利用Kohonen競爭網(wǎng)絡(luò)對訓(xùn)練樣本集進行了篩選，解決了傳統(tǒng)的OLS算法將整個訓(xùn)練樣本集作為候選子集而導(dǎo)致的正交化過程計算量驚人，算法效率非常低的缺點。 ②基于密度法的數(shù)據(jù)中心選擇算法。本算法利用統(tǒng)計學(xué)中的密度法對訓(xùn)練樣本集進行分類，避免了人為的指定類別數(shù)而導(dǎo)致的分類結(jié)果盲目性太大的缺陷。 ③基于改進的APC-Ⅲ算法的數(shù)據(jù)中心選擇算法。本算法根據(jù)樣本的分布情況采用動態(tài)的數(shù)據(jù)中心，而