资源描述：
《径向基函数神经网络及其在数据挖掘中的应用研究》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、中文摘要Broomhead和Lowe于1988年提出了RBF神经网络。由于泛化能力强、结构简单、算法简便，RBF神经网络一经提出就受到了很多研究者的注意。历经10余年的研究和应用，RBF神经网络已经比较成熟，并己成功的运用于函数逼近、系统识别、时间序列预测、语音识别、自动控制、数据挖掘等许多领域。本文首先在回顾RBF网络的发展简史、网络结构和基本算法的基础上，总结了关于RBF网络设计的关键问题一一隐结点选择和网络泛化能力改进的基本技术方法。详细介绍了正交化最小二乘(OLS)学习算法。然后，在分析了整批次学习算法和在线学习算法各自的优缺点之后，
2、本文以在线学习算法RANEKF为基础，针对RANEKF算法的不足，结合整批次算法的优点，提出了更为有效的混合在线学习算法(HSLA)oHSLRBF的主要改进包括:(1)用K-中心聚类法初始建立网络结构，能更充分的利用现存学习样本;(2)提出结合整批次算法优点的小批次在线学习策略，降低了个别噪声污染较重的学习样本对学习过程的影响，使算法更加强壮:(3)提出了对于大规模的应用问题可以采用最小二乘法以降低计算复杂度的建议;(4)提出了发现和合并作用相似隐节点机制，使网络可以获得最优的结构。最后，本文介绍了神经网络的一个主要应用领域一一数据挖掘的概况
3、。在介绍了数据挖掘的基本概念、分类、应用领域、主要技术方法之后。本文分析了HSLRBF应用于数据挖掘领域的前景。并通过一个典型的分类问题的实验证实了HSLRBF用于数据挖掘问题的良好性能.关键词:径向基函数神经网络(RBFNN),混合在线学习算法(HSLA),数据挖掘ABSTRACTBroomheadandLoweexploitedtheuseofradialbasisfunctioninthedesignofneuralnetworksearliestin1988.Oncewereproposed,RadialBasisFunction(R
4、BF)neuralnetworkshavedrawnmuchatentionduetotheirgoodgeneralizationabilityandsimplenetworkstructurethatavoidsunnecessaryandlengthycalculationascomparedtootherneuralnetworks.Havebeenstudiedandexaminedinmanyapplicationsformorethan10years,RBFneuralnetworkshavebecomemuchmatureAn
5、dtheyhavebeensuccessfulyusedinmanyareas,suchasfunctionapproximation,systemidentification,timeseriesprediction,speechpaternclassification,automatedcontrol,anddatamining.Firstly,thisthesislooksbackitsbriefdevelopinghistory,basicnetworkstructureandbasictrainingalgorithm.Then,m
6、aintechniquesandmethodsforhiddenneuronselectionandgeneralizationabilityimprovementarediscussed,whichisthekeytoRBFnetworkstructuredesign.OLSalgorithmwasintroducedindetailinthissection.Secondly,themeritsandshortcomingsofbatchlearningandsequentiallearningwereanalyzed.Onthebasi
7、sofanalyzingsequentiallearningalgorithmRANEK卫thethesisproposesamoreeficientHybridSequentialLearningAlgorithm.HSLRBFhasovercometheflawofRANEKFandadmittedmeritsofbatchlearning.MainimprovementsofHSLRBFinclude:(1)AdoptingK-centerclusteringmethodtoinitializenetwork,whichmakeitis
8、possibletoutilizeexistingtrainingpatternsmoreefectively;(2)ProposingMini-Bachlearn
