基于GRNN与BPNN的二维向量模式分类对比研究-论文.pdf

《基于GRNN与BPNN的二维向量模式分类对比研究-论文.pdf》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、研究与开发己第口l4年5月]]卷第5期——翻基于GRNN与BPNN的二维向量模式分类对比研究*丁硕常晓恒巫庆辉魏洪峰(渤海大学工学院锦州121013)摘要：为了研究广义回归神经网络(GRNN)和标准BP神经网络(BPNN)在解决二维向量的模式分类问题时的性能差异，分别构建了GRNN分类模型和标准BPNN分类模型，详细阐述了2种分类模型的建立方法，并对所建立的2种分类模型进行训练和泛化能力测试。仿真结果表明，GRNN模型的人为调节参数少，构建方法简单，不易陷入局部极小值，在解决相同的二维向量模式分类问题时，GRNN模型比BPNN模型具有更高的分类精度、更快的收敛速度、更适合于解

2、决二维向量的模式分类问题。关键词：广义回归神经网络；BP神经网络；二维向量；模式分类；收敛速度；泛化能力中图分类号：TP391．9TN710．9文献标识码：A国家标准学科分类代码：520．6020Comparativestudyoftwodimensionalvectorspatternclassificati0nbasedonGRNNandBPNNDingShuoChangXiaohengWuQinghuiWeiHongfeng(CollegeofEngineering，BohaiUniversity，Jinzhou121013，China)Abstract：Tostudy

3、thedifferencesbetweenGRNNandstandardBPNNinpatternclassificationoftwodimensionalvec—tors，classificationmodelsbasedOnGRNNandstandardBPNNareestablishedrespectively．Theestablishmentmethodsofthetwomodelsareillustratedindetail．Thetwomodelsaretrainedandtheirgeneralizati0nabilitiesaretested．Thesimu

4、lationresultshowsthatGRN『Nhaslessartificialadjustmentparameters。simplerestablishmentmethodanditiSnoteasytOfallintolocalminimum．Whenappliedtothesamepatternclassificationproblemoftwodimensionalvectors，GRNNhashigherclassificationaccuracyandfasterconvergencespeedthanBPNNanditismoresuitableforso

5、lvingtheproblemofpatternclassificationoftwodimensionalvectors．Keywords：generalizedregressionneuralnetwork；BPneuralnetwork；twodimensionalvector；patternclassification；convergencespeed；generaI1zatlonability高度的并行性的神经网络，即使样本数据稀少，网络的1引言输出结果同样能够收敛于最优回归表面，GRNN算法人工神经网络用于模式分类是目前研究的一个热简单、逼近精度高、具有良好的非线

6、性收敛性能，所以点问题。在众多的网络类型中，反向传播神经网络GRNN能较好地克服标准BPNN的训练时间长及计算(backpropagationneuralnetwork，BPNN)是应用最为复杂度高等缺点]。基于GRNN和标准BPNN的分广泛的一种神经网络。但是，标准的BPNN存在收敛别构建了分类模型，通过仿真实验，对2个模型的分类速度慢、训练时间长、目标函数易陷入局部最小值等缺性能进行对比。仿真结果表明，在对二维向量的模式点。]。广义回归神经网络(generalregressionneural进行分类时，基于GRNN的分类模型更具优势，更适合network，GRNN)是一种

7、建立在数理统计基础上，具有于解决模式分类问题。收稿日期：2014—02*基金项目：国家自然科学基金(61104071)资助项目一56一国外电子测量技术中国科技核心期刊己口I4年5月第]3卷第5期研究与开发2GRNN的结构与算法GRNN由输入层、模式层、求和层和输出层4层组成。给定并假设被估计函数是连续光滑的，则Y的期望值的估计值如式(1)所示：r+∞Ivf(x，)duElyIz]一——一(1)lf(x，)dyJ一∞函数f(x，)定义如式(2)所示：一÷喜]．p[](2)厶图1样本向量与测试向量分布式中：