基于RBFNN的復(fù)雜樣本分類研究.pdf

1、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RadialBasisFunctionNeuralNetwork，RBFNN)是一種三層前饋性網(wǎng)絡(luò)，具有泛化能力強(qiáng)、收斂速度快等特點(diǎn)，引起各領(lǐng)域工作者的極大關(guān)注，已成功的運(yùn)用于系統(tǒng)識(shí)別、數(shù)據(jù)挖掘等許多領(lǐng)域。本文在RBFNN的基礎(chǔ)上對(duì)復(fù)雜樣本分類問(wèn)題進(jìn)行了較深入的研究，主要包括以下幾個(gè)方面： 在普通的兩階段構(gòu)造RBFNN基礎(chǔ)上，把最近鄰衰減聚類的思想與誤差平方和準(zhǔn)則結(jié)合起來(lái)，提出了一種RBFNN三階段學(xué)習(xí)算法。

2、首先利用基于最近鄰衰減半徑的聚類算法確定隱層中心的初始結(jié)構(gòu)，同時(shí)利用樣本信息動(dòng)態(tài)控制最小聚類半徑，既防止了固定半徑聚類較差的自適應(yīng)性，避免了衰減最小半徑經(jīng)驗(yàn)值的多次試探確定，又有效降低了半徑無(wú)限縮減引起的過(guò)學(xué)習(xí)現(xiàn)象的產(chǎn)生。然后，加入了利用誤差平方和對(duì)由衰減聚類確定的中心點(diǎn)進(jìn)行微調(diào)的階段，通過(guò)考察樣本移動(dòng)對(duì)其的影響，調(diào)整中心點(diǎn)數(shù)值，使得結(jié)果的測(cè)試精度更高。同時(shí)利用類內(nèi)類間距確定徑基寬度，充分考慮了類間距對(duì)樣本聚類的影響，避免了統(tǒng)一的徑基寬

3、度可能引起的分類區(qū)域過(guò)度重疊。最后利用偽逆法確定權(quán)值。經(jīng)Iris、Wines和Glass數(shù)據(jù)集的仿真實(shí)驗(yàn)驗(yàn)證，該算法確實(shí)具有較強(qiáng)的分類能力。 以提高RBFNN分類能力為出發(fā)點(diǎn)，結(jié)合遺傳算法(GeneticAlgorithm，GA)群體并行搜索能力，提出了一種有效的GA-RBFNN學(xué)習(xí)算法。該算法在RBFNN三階段學(xué)習(xí)算法確定網(wǎng)絡(luò)初始結(jié)構(gòu)的基礎(chǔ)上，加入控制向量，設(shè)計(jì)了包含整個(gè)網(wǎng)絡(luò)隱節(jié)點(diǎn)結(jié)構(gòu)和相關(guān)參數(shù)的矩陣式混合編碼方式，以及相應(yīng)的