径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

Maximum-entropy clustering algorithm and its global convergence analysis

Constructing a batch of differentiate entropy functions to uniformly approximate an objective function by means of the maximum-entropy principle, a new clustering algorithm, called maximum-entropy clustering algorithm, is proposed based on optimization theory. This algorithm is a soft generalization of the hard C-means algorithm and possesses global convergence. Its relations with other clustering algorithms are discussed.     

模糊对向传播神经网络的学习算法

模糊对向传播神经网络的学习算法由输入层至竞争层的连接权向量和竞争层到输出层的连接权向量两部分的学习组成,对于前者,分别选用聚类法和工下降法,本文研究了模糊对向传播神经网络的两种学习算法从理论上分析了这两种算法的性质,把算法应用于著名Ｍａｃｋｅｙ－Ｇｌａｓｓ混沌时间序列预测问题中,实验结果表明后一种算法的学习精度及泛化能力较前一种算法要好,但前者的学习速度要快。     

模糊对向传播神经网络及其应用

通过把对向传播(CP)神经网络的竞争层神经元的输出函数定义为模糊隶属度函数,提出了模糊对向传播(FCP)神经网络.该网络是CP网络的推广,它不仅能有效克服CP存在的问题,而且具有全局函数逼近能力.在结构上,FCP网络同径向基函数(RBF)网络是等价的.实际上,它是一种RBF网络,而且还是一种模糊基函数网络.FCP在时间序列预测中的应用表明,FCP不仅在学习精度上,而且在泛化能力方面较之CP和RBF均有较大的改善.