RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法在模式分類中的應(yīng)用研究.pdf

1、模式分類系統(tǒng)中樣本之間由于存在著高度復(fù)雜性和非線性關(guān)系，從而導(dǎo)致樣本不易分類。而人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)網(wǎng)絡(luò)學(xué)習(xí)，將反映系統(tǒng)內(nèi)在規(guī)律的神經(jīng)網(wǎng)絡(luò)隱含于網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)中，因此人工神經(jīng)網(wǎng)絡(luò)逐漸成為解決模式分類問(wèn)題的一種常用方法。徑向基函數(shù)(radialbasisfunction，簡(jiǎn)稱RBF)神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)的一種，以其牢固的插值理論為基礎(chǔ)，并且具有學(xué)習(xí)速度快、不易陷入局部極小等優(yōu)點(diǎn)，逐步取代反向傳播(backpropagation，簡(jiǎn)稱B

2、P)學(xué)習(xí)算法在模式識(shí)別領(lǐng)域中得到越來(lái)越廣泛的關(guān)注和應(yīng)用。雖然常用的RBF神經(jīng)網(wǎng)絡(luò)比較容易構(gòu)建，但因其結(jié)構(gòu)通常固定或者復(fù)雜度較高，從而導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)或者網(wǎng)絡(luò)資源的浪費(fèi)。針對(duì)上述原因，本文通過(guò)對(duì)常用RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的分析，提出一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(MPIRAN，maxerror-pruning-improved-RAN)，該算法從降低網(wǎng)絡(luò)復(fù)雜度出發(fā)，在學(xué)習(xí)過(guò)程中選取產(chǎn)生最大誤差的樣本代替順序輸入的樣本以此改變RAN新性條

3、件，當(dāng)不滿足新性條件時(shí)，使用相似度參數(shù)調(diào)整隱層節(jié)點(diǎn)中心位置，并且為進(jìn)一步減小網(wǎng)絡(luò)結(jié)構(gòu)，采用FPE剪枝策略，使得網(wǎng)絡(luò)復(fù)雜度和擬合度達(dá)到較好的結(jié)合。在MPIRAN學(xué)習(xí)算法的基礎(chǔ)上，從提高網(wǎng)絡(luò)學(xué)習(xí)效率的角度出發(fā)，避免FPE剪枝策略的低效性，提出MRIRAN(maxerror-RBFLN-improved-RAN)學(xué)習(xí)算法。該算法使用RBFLN(radial basis functional linknetwork，稱為徑向基鏈網(wǎng)絡(luò))結(jié)構(gòu)，增加