徑向基神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的參數(shù)優(yōu)化方法研究及應(yīng)用.pdf

1、本文主要研究基于主成分分析(Principal ComponentAnalysis，PCA)的徑向基(Radial basis Function,RBF)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(Support Vector Machine,SVM)的參數(shù)優(yōu)化方法及其在建筑工程投資估算中的應(yīng)用。 RBF神經(jīng)網(wǎng)絡(luò)是一種基于正則化理論的三層前饋網(wǎng)絡(luò)，它有很好的泛化能力并且不會陷入局部極小，已證明它能以任意精度逼近任一連續(xù)函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于徑

2、向基函數(shù)中心和寬度的選取。 支持向量機(jī)是基于統(tǒng)計學(xué)習(xí)理論的一種新的模式識別技術(shù)，它通過：Mercer核函數(shù)將原始空間中的非線性問題轉(zhuǎn)化為另一個高維空間中的線性問題，在這個變換的高維空間求最優(yōu)或廣義最優(yōu)分類面。參數(shù)選擇是影響支持向量機(jī)實(shí)用性能的重要因素。 針對RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)中徑向基函數(shù)寬度(參數(shù))難以合理確定的難題，本文在分析了以上兩種網(wǎng)絡(luò)中徑向基函數(shù)寬度確定方法的基礎(chǔ)上提出了一種在樣本各分量相互獨(dú)立條件下的參

3、數(shù)優(yōu)化方法，該方法是將樣本各分量的方差這一先驗信息引入到徑向基函數(shù)寬度的確定方法中以達(dá)到參數(shù)優(yōu)化目的。由于主成分分析可以消除原始樣本分量間的相關(guān)性，從而為參數(shù)優(yōu)化帶來了方便；同時主成分分析通過降維處理可以減少網(wǎng)絡(luò)的輸入維數(shù)，從而降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，對RBF神經(jīng)網(wǎng)絡(luò)來說可盡可能地避免“維數(shù)災(zāi)”問題。 本文最后將基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的估算方法用于建筑工程投資估算問題。實(shí)驗結(jié)果表明，本文提出改進(jìn)后方法的估算精度