RBF神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用研究.pdf

1、RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、學(xué)習(xí)速度快、擬合精度較高、泛化能力較強(qiáng)和不易陷入局部極小等優(yōu)點(diǎn)，被廣泛應(yīng)用于函數(shù)逼近、分類、時間序列預(yù)測等諸多領(lǐng)域。雖然常用RBF網(wǎng)絡(luò)比較容易構(gòu)建，但其結(jié)構(gòu)通常固定或者所用算法復(fù)雜度較高，浪費(fèi)了網(wǎng)絡(luò)資源，也使得學(xué)習(xí)時間相對較長，有通過改進(jìn)來縮短學(xué)習(xí)時間的可能性。因此，為進(jìn)一步改善傳統(tǒng)RBF網(wǎng)絡(luò)的性能，本文在前人工作的基礎(chǔ)上提出了兩種改進(jìn)型網(wǎng)絡(luò)-DLCRBF和HUCRAN。 DLCRBF網(wǎng)絡(luò)在傳統(tǒng)RBF

2、網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)上增加了輸入層直接到達(dá)輸出層的線性連接，算法上用最近鄰聚類首先對數(shù)據(jù)進(jìn)行聚類，可實(shí)現(xiàn)在線學(xué)習(xí)，然后用梯度法調(diào)節(jié)網(wǎng)絡(luò)參數(shù)達(dá)到最優(yōu)，使得改進(jìn)后的網(wǎng)絡(luò)在學(xué)習(xí)速度和泛化能力等方面均優(yōu)于傳統(tǒng)網(wǎng)絡(luò)。 本文將RAN算法和相關(guān)性剪枝策略相結(jié)合并結(jié)合主元分析的數(shù)據(jù)預(yù)處理方法提出了HUCRAN網(wǎng)絡(luò)，它融合了RAN算法可以構(gòu)建結(jié)構(gòu)緊湊的網(wǎng)絡(luò)，實(shí)現(xiàn)在線學(xué)習(xí)，學(xué)習(xí)過程中樣本無需重復(fù)輸入的優(yōu)點(diǎn)，以及相關(guān)性剪枝算法可以精簡網(wǎng)絡(luò)結(jié)構(gòu)，提高泛化能力