自构造rbf神经网络及其参数优化

《自构造rbf神经网络及其参数优化》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、维普资讯http://www.cqvip.com第33卷第9期计算机工程2008年5月Vo1．33No．9ComputerEngineeringMay2008·人工智能及识别技术Il文章编号：1ooo一3428(2oo8)o9—_020o__03文献标识码：A中图分类号：TP183自构造RBF神经网络及其参数优化兰天鸽，方勇华，熊伟，孔超(中国科学院安徽光学精密机械研究所遥感研究室，合肥230031)摘要：径向基函数神经网络的构造需要确定每个RBF的中心、宽度和数目。该文利用改进的聚类算法自动构造RBFN，考虑样本的类别属性，根据样本分布自动计算

2、RBF的中心和宽度，并确定RBF的数目。所有的网络参数采用非线性优化算法来优化。通过IRIS分类问题和混沌时间序列预测评价自构建RBFN的性能，验证参数优化效果。结果表明，自构造RBFN不但能够自动确定网络结构，而且具有良好的模式分类和函数逼近能力。通过对网络参数的非线性优化，该算法明显改善了网络性能。关健词：径向基函数；自构造网络；参数优化；模式识别；混沌时间序列．Self-growingRBFNeuralNetworksandParametersOptimizationLANTian-ge，FANGYong-hua，XIONGWei，KONG

3、Chao(RemoteSensingLab，AnhuiInstituteofOpticsandFineMechanics，ChineseAcademyofSciences，Hefei230031)[Abstract]ConstructionofRadialBasisFunctionNe~al(RBFN)networksinvolvescomputationofcenters，widthsofeachRBF,andnumberofRBFinthemiddlelayer．Themodifiedclusteringalgorithmisusedtoco

4、nstructRBFNautomatically．Thealgorithmconsiderstheclassmembershipoftrainingsamples，CanautomaticallYcomputeRBFcentersandwidths，anddeterminesthenumberofRadialBasisFunction(RBF)unitsbasedonthedistributionofsamples．Parametersareoptimizedwithnonlinearoptimizationtechnique．Theperfor

5、manceoftheself-growingRBFNandefects。oftheoptimizationareestimatedwithIRISclassificationproblemandchaotictimeseriesprediction．Theresultsconfirmthatself-growingRBFNdeterminesnetwo~sstructureautomatically，andhasgoodperformanceinpatternrecognitionandfunctionapproximation．Betterpe

6、rformancecanbeobservedafternonlinearoptimizationofnetwo~sparameters．[KeywordsIRadialBasisFunctionfRBF)；self-growingnetworks；parameteroptimization；patternrecognition；chaotictimeseries1概述网络结构过于庞大，造成训练和测试时间过长。相反，如果近年来，RBFN在模式识别、系统建模、信号处理等艺]RBF数目太小，网络则可能无法收敛。领域得到了广泛的应用。RBFN是3层前馈式

7、网络，其中，K一均值聚类法是最常用的选择RBF中心和宽度的算法。输入层和输出层由线性神经元组成，中间层节点为RBF单但是，该算法必须事先主观地凭经验确定RBF的数目；没有元，RBF对输入矢量产生局部响应，输出节点对RBF的输出考虑训练样本的类别属性，在不同类别样本的重叠区域可能进行线性加权，从而实现输入空间到输出空间的映射，使整导致错误聚类。而且这样的网络并不能在任何时候达到满意个网络达到分类或函数逼近的目的。RBFN的输出可用式(1)的效果，所以，在结果不够理想时，就需要对网络的参数进表达：行优化，本文利用改进的聚类算法来自动构造RBFN。^p

8、2RBFN构造及网络参数优化Yf=窆WR()(1)k=2．1RBFN自构造算法其中，X是输入向量；为输出层第i个输出，i=l，2，一，z