徑向基神經網絡訓練算法及其性能研究.pdf

1、在眾多的神經網絡模型中，徑向基函數神經網絡（RBF神經網絡）以其網絡設計采用原理化方法，結構簡單并且具有堅實的數學基礎等多種優(yōu)點而廣泛應用于模式識別、函數逼近、非線性系統(tǒng)建模、時序分析等領域。本文詳細論述了RBF神經網絡的結構和原理，并且對RBF神經網絡的多種學習算法進行了深入的研究，主要工作如下： （1）對RBF神經網絡現(xiàn)有的算法進行了分類與分析，對其中的某些算法設計了仿真實驗，理解了各類學習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。 （2）從非線性回歸的角度深入分析研究了RBF神經網絡的泛化理論，對徑向基神經網絡的逼近誤差和泛化誤差進行了理論推導并且得到了一些有用的結論，在某些情況下可以用來指導徑向基神經網絡結構的確定。 （3）我們知道，對RBF神經網絡的訓練過程實際上就是確定隱層結構和連接權值的過程。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神經網絡訓練算法，分別是： ①基于Kohonen網

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