共查询到10条相似文献,搜索用时 15 毫秒
1.
改进的径向基函数神经网络预测模型 总被引:1,自引:0,他引:1
在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高. 相似文献
2.
采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。 相似文献
3.
4.
优化的RBF网络在特征选择中的应用研究 总被引:2,自引:0,他引:2
提出了一个自适应量子粒子群优化算法,用于训练RBF网络的基函数中心和宽度,并结合最小二乘法计算网络权值,对RBF网络的泛化能力进行改进并用于特征选择.实验结果表明,采用自适应量子粒子群优化算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,能够选择出较优秀的特征子集. 相似文献
5.
基于聚类的RBF-LBF串联神经网络学习算法 总被引:1,自引:0,他引:1
为提高网络的泛化能力,研究了单层RBF神经网络和LBF网络组成的RBF-LBF串联神经网络,并提出了一种基于模式聚类的RBF-LBF串联神经网络的学习算法。该算法分别对单层RBF网络和LBF网络的输入进行模式聚类,以确定网络的初始结构,然后通过调整错分样本的类别,使之部分重叠或合并核函数。经双螺旋线问题仿真实验证明,该算法确具有很好的泛化能力且只需较短的训练时间。 相似文献
6.
提出一种基于梯度下降法的混合进化算法,用于确定径向基函数(RBF)神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力. 相似文献
7.
8.
9.
改进的GGAP-RBF算法及其在函数逼近中的应用 总被引:1,自引:0,他引:1
在GGAP-RBF算法的基础上,提出RBF神经网络的一种改进算法,结合网络中隐层神经元径向基函数的宽度自适应调整算法和重合度阈值的动态调整方法.通过函数逼近领域中的3个Benchmark问题,改进算法与RAN、RANEKF、MRAN、IRAN和GGAP-RBF(GAP-RBF)算法做比较.仿真结果表明在需要较少隐层神经元和训练时间前提下,改进算法训练的网络有较好的泛化能力. 相似文献