一种用于模式识别的动态RBF神经网络算法.pdf

《一种用于模式识别的动态RBF神经网络算法.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、第46卷第5期大连理工大学学报VOl.46~NO.52OO6年9月JOurnalOfDalianUniversityOfTechnOlOgySept.2OO6=================================================================文章编号:1OOO-86O8(2OO6)O5-O746-O6一种用于模式识别的动态RBF神经网络算法韩敏~崔丕锁(大连理工大学电子与信息工程学院~辽宁大连116O24)摘要:对径向基函数(RBF)神经网络在数据分类中的应用进行了研究.提出一种应用于模式识

2、别的动态RBF训练算法~该算法使用区域映射误差函数并结合资源分配网络(RAN)的新性'(nOvelty)条件动态调整网络的隐层节点数~从而可以更加有效地进行模式识别.二分类样本和建筑材料CaO-Al系统仿真表明~该改进算法使误差下降更快~减少了训练2O3-siO2次数~可以获得精简的网络结构~从而使网络具有较高的泛化能力.关键词:径向基函数;分类;区域映射;模式识别中图分类号:Tp183文献标识码:AO引言另外~在RBF网络的训练过程中对网络的中心节点进行动态添加和调节具有一定的优势~其在数据样本分类领域~由于所要处理问题中中资源分配网

3、络(RAN)[6~7]的新性'条件是对添模式样本越来越复杂~对分类器的设计提出了更加的网络节点进行判断的一种非常合适的条件.高的要求~而神经网络由于其并行和容错等特点新性'条件为D当前样本输入距离最近的数据在模式识别领域已经表现出一定的优势和潜中心超过某一定值6(t)(距离准则);@网络输出力[1~2].使用神经网络进行模式识别的方法就是与样本输出的偏差大于某一定值e误差准则).min(根据样本的特征向量进行匹配~建立网络模型~将通过此条件添加节点再对节点中心进行动态调节其分类到正确的样本空间内.神经网络可以实现方式更合理~因为在有限样

4、本的情况下~最优的数的功能为特征提取和统计分类两个部分[3]~其中据中心不一定正好位于样本输入点处.RBF神经网络因为其良好的分类性能得到越来基于以上思想~本文针对RBF网络在模式识越多的应用.别中的特性~通过改进的误差函数使网络具有区已经证明神经网络能够以任意精度逼近一个域映射的功能~同时在网络训练初始阶段使用输非线性系统~而且一旦网络的结构确定下来~网络入输出样本聚类方法决定初始隐层节点~并通过的训练速度和精度就取决于网络的算法性能~而RAN网络新性'条件添加和调整网络参数~建网络的算法通常都是通过将网络的参数进行最优立一个精简的网

5、络结构来完成模式识别的功能.化以使网络的误差函数最小来完成的.因此~正如金聪[4]所指出的那样~误差函数的选择是前馈1RBF网络模型与算法神经网络训练的关键问题~在噪声存在的情况下~1.1RBF网络结构描述常用的最小方差型误差函数不是一个好的选择.RBF网络共分为3层~如图1所示.第一层为同时LampariellO等[5]也解释了在模式识别领域输入层~中间为一个隐层~最后一层为输出层.可最小方差误差函数所具有的一些缺点~因此~其结以看出网络从输入到输出的映射为合模式识别的特点~针对误差函数进行改进~使用m新的误差函数来对网络的参数进行动

6、态自适应调f(x)=EtzZ(x~Cz)(1)z=1整~从而提高识别速度和正确率.式中:x=(xTn为输入矢量~1x2~xn)ER收稿日期:2OO5-O3-19;修回日期:2OO6-O8-2O.基金项目:国家自然科学基金资助项目(6O374O64).作者简介:韩敏(1959-)~女~博士~教授~E-mail:minhan@dlut.edu.Cn.第5期韩敏等:一种用于模式识别的动态RBF神经网络算法747Tm为输出权值矩阵GW=(zlz2~zm)EREte=Z(max{OE-fj(xI)})+(xl)ETSIf()为输出矢量()为径向基

7、函数cI为径G向基函数的第I个聚类中心.Z(max{OE+fj(xI)})(4)(xO)ETSI径向基函数采取常用的高斯函数即式中:G为给定的大于或等于2的整数E是一个任2意小的数以保证网络的输出大于或者小于分界-x-cI(xcI)=exp2(2)(o)值.可以看出当其正确分类时误差为零误分类RBF网络设计的核心问题是确定隐层节点时误差为到分界值的距离.的数目及相应的中心节点位置和宽度.当RBF网由于该误差函数只考虑误分类样本的作用络的隐层节点数和中心节点及宽度确定后RBF加快了网络的训练时间.但是在多个类别分类网络从输入到输出就形成了

8、一个线性方程组此时各个样本类别的界限选取就会有一定的难度.时输出权矢量可用最小二乘法获得[8].在文献[9]中则使用了如下误差函数作为网络的评价函数:zNl2k2Ep=Z(dp-yp)+Z(dp-yp)(5