RBF神經(jīng)網(wǎng)絡的改進及其應用研究.pdf

1、RBF神經(jīng)網(wǎng)絡具有結構簡單、學習速度快、擬合精度較高、泛化能力較強和不易陷入局部極小等優(yōu)點，被廣泛應用于函數(shù)逼近、分類、時間序列預測等諸多領域。雖然常用RBF網(wǎng)絡比較容易構建，但其結構通常固定或者所用算法復雜度較高，浪費了網(wǎng)絡資源，也使得學習時間相對較長，有通過改進來縮短學習時間的可能性。因此，為進一步改善傳統(tǒng)RBF網(wǎng)絡的性能，本文在前人工作的基礎上提出了兩種改進型網(wǎng)絡-DLCRBF和HUCRAN。 DLCRBF網(wǎng)絡在傳統(tǒng)RBF

2、網(wǎng)絡的結構基礎上增加了輸入層直接到達輸出層的線性連接，算法上用最近鄰聚類首先對數(shù)據(jù)進行聚類，可實現(xiàn)在線學習，然后用梯度法調節(jié)網(wǎng)絡參數(shù)達到最優(yōu)，使得改進后的網(wǎng)絡在學習速度和泛化能力等方面均優(yōu)于傳統(tǒng)網(wǎng)絡。 本文將RAN算法和相關性剪枝策略相結合并結合主元分析的數(shù)據(jù)預處理方法提出了HUCRAN網(wǎng)絡，它融合了RAN算法可以構建結構緊湊的網(wǎng)絡，實現(xiàn)在線學習，學習過程中樣本無需重復輸入的優(yōu)點，以及相關性剪枝算法可以精簡網(wǎng)絡結構，提高泛化能力