近邻传播聚类算法的rbf隐含层节点优化

《近邻传播聚类算法的rbf隐含层节点优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、近邻传播聚类算法的RBF隐含层节点优化　　摘要：传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态，为了提高RBF神经网络的效率，提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法，并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法，无需事先给定隐含层中心节点的个数，能够适用于不具有先验信息的预测。首先，利用AP算法根据训练样本的信息进行聚类迭代，从而确定RBF神经网络中隐含层的中心节点和节点数值，解决了RBF网络的中心取值问题。然后，把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于

2、AP算法无需预先指定聚类数目，所提方案能提高网络的学习精度和训练速度，利用所提优化方案对正弦函数进行逼近的仿真实验，结果表明该方案的逼近误差仅为0.0055，在0.3噪声下能保持较好的预测精度。　　关键词：径向基函数神经网络；近邻传播聚类算法；隐含层；逼近误差　　中图分类号：TN711?34；TP398.1文献标识码：A文章编号：1004?373X（2016）19?0016?04　　Abstract：Thepredictionaccuracyofthetraditionalradialbasisfunction（RBF）neuralnetworkmayresultinlowe

3、ralgorithmefficiencyandpathologicalnumericalvalueduetothe7inappropriaterandomselectionofthehiddenlayercenternode，toimprovetheefficiencyofRBFneuralnetwork，amethodofusingaffinitypropagation（AP）clusteringalgorithmtoimproveRBFneuralnetworkisproposed.Theprincipleandmodelingstepsofthemethodareint

4、roduced.SincetheadoptedAPclusteringalgorithmbelongstotheself?adaptingclusteringlearningalgorithm，itneedn′tpredefinethenumbersofthehiddenlayercenternodes，andisappliedtopredictionwithouttranscendentalinformation.TheAPalgorithmisusedforclusteringiterationaccordingtheinformationoftrainingsample

5、，soastodeterminethecenternodeandnodenumericalvalueofhiddenlayerinRBFneuralnetwork，andsolvethecenterdereferencingproblemofRBFnetwork.Afterthat，allinputdataistakeninRBFneuralnetworkbasedonAPclusteringalgorithmforprediction.SincetheuseofAPalgorithmneedn′tpredefinetheclusteringnumbers，thepropos

6、edschemecanimprovethelearningaccuracyandtrainingspeedoftheRBFneuralnetwork.Theapproximatesimulationexperimentwasperformedforsinefunctionwiththeproposedoptimizationscheme.Theresultsshowthattheapproximateerroroftheproposedschemeisonly0.0055，andcankeepgoodpredictionaccuracyunderthenoiseof0.3.　

7、　Keywords：radialbasisfunctionneuralnetwork；affinity7propagationclusteringalgorithm；hiddenlayer；approximateerror　　0引言　　RBF（RadialBasisFunction）网络是一种单隐含层前馈神经网络，其基本思想是在隐含层内基函数的作用下，将输入信息的不可分矢量变换到高维可分空间[1?3]。RBF网络结构简单而且具备非线性逼近能力，收敛速度快。RBF网络已经广泛应用于函数逼近、模式识别、信号