一類徑向基函數(shù)網(wǎng)絡(luò)的分工協(xié)作混合系統(tǒng).pdf

1、徑向基函數(shù)網(wǎng)絡(luò)(Radial Basis FunctionNetwork,RBFN)是一種由輸入層、隱藏層和輸出層組成的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,由于它結(jié)構(gòu)簡(jiǎn)單,學(xué)習(xí)效率高并且收斂速度快,目前徑向基函數(shù)網(wǎng)絡(luò)已成為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn),并被廣泛應(yīng)用于數(shù)據(jù)挖掘、模式識(shí)別、信號(hào)處理和時(shí)間序列預(yù)測(cè)等等.一般地,網(wǎng)絡(luò)的行為與網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性密切相關(guān),目前徑向基函數(shù)網(wǎng)絡(luò)的研究熱點(diǎn)主要集中在降低網(wǎng)絡(luò)復(fù)雜性方面.對(duì)于徑向基函數(shù)網(wǎng)絡(luò)而言,輸入維數(shù)是影響網(wǎng)

2、絡(luò)的復(fù)雜性主要因素之一,而且在實(shí)際應(yīng)用中,輸入維數(shù)往往高達(dá)幾百上千維,因此有效地降低徑向基函數(shù)網(wǎng)絡(luò)輸入維數(shù)是減少網(wǎng)絡(luò)復(fù)雜性的最有效的途徑,該文提出了徑向基函數(shù)網(wǎng)絡(luò)的主成分分析(Principal Component Analysis,PCA)與獨(dú)立成分分析(Independent Component Analysis,ICA)降維模型和根據(jù)Divide-and-Conquer思想提出一類徑向基函數(shù)網(wǎng)絡(luò)的分工協(xié)作混合系統(tǒng)(A Divide