| 基于优化的RBF 神经网络的变量筛选方法 |
| |
| 引用本文： | 徐富强,刘相国.基于优化的RBF 神经网络的变量筛选方法[J].计算机系统应用,2012,21(3):206-208. |
| |
| 作者姓名： | 徐富强 刘相国 |
| |
| 作者单位： | 巢湖学院数学系,巢湖,238000 |
| |
| 基金项目： | 巢湖学院自然科学研究资助项目 |
| |
| 摘 要： | 由于RBF神经网络结构简单、输出与初始权值无关、自适应、可调参数少等特点,提出了利用交叉验证法寻最优参数SPREAD值,构建最优RBF神经网络模型并结合MIV算法用于变量筛选。通过实例检验了模型的有效性,也使该方法具有较好的稳定性和应用性。
|
| 关 键 词： | RBF神经网络 参数优化 交叉验证法 MIV 变量筛选 |
| 收稿时间： | 2011/6/24 0:00:00 |
| 修稿时间： | 2011/7/17 0:00:00 |
Variables Screening Methods Based on the Optimization of RBF Neural Network |
| |
| XU Fu-Qiang and LIU Xiang-Guo.Variables Screening Methods Based on the Optimization of RBF Neural Network[J].Computer Systems& Applications,2012,21(3):206-208. |
| |
| Authors: | XU Fu-Qiang and LIU Xiang-Guo |
| |
| Affiliation: | (Department of Mathematics, Chaohu College, Chaohu 238000, China) |
| |
| Abstract: | Because of the Characteristics of RBF neural network structure is simple, output and initialized weights irrelevant, adaptive, less adjustable parameter etc. This paper proposes using the method of cross validation to find the optimal parameter value of SPREAD, constructs the optimal RBF neural network model and combines the algorithm of MIV to use for variables screening. Through the example test the validity of the model, also make the method has better ability of stability and applied. |
| |
| Keywords: | RBF neural network parameter optimization cross validation method MIV variables screening |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
| 点击此处可从《计算机系统应用》浏览原始摘要信息 |
|
点击此处可从《计算机系统应用》下载全文 |
|
