基于GEP优化的RBF神经网络算法

RBF神经网络作为一种采用局部调节来执行函数映射的人工神经网络,在逼近能力、分类能力和学习速度等方面都有良好的表现,但由于RBF网络的隐节点的个数和隐节点的中心难以确定,从而影响了整个网络的精度,极大地制约了该网络的广泛应用.为此本文提出基于GEP优化的RBF神经网络算法,对其中心向量及连接权值进行优化.实验表明,本文所提算法比RBF算法的预测误差平均减少了48.96% .     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

新的C-RBF神经网络分类器的设计与实现

从RBF神经元的几何意义出发,提出了一种新的用于模式识别的C-RBF神经网络分类器.与传统RBF网络相比,该算法能够自动地优化RBF网络中核函数的个数、中心和宽度,且由于竞争神经元的引入,省去了传统RBF神经网络输出层线性连接权的计算,从而简化了网络的学习过程,大大缩短了训练时间.     

基于聚类的RBF-LBF串联神经网络学习算法

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。     

带优选聚类算法的 RBF 网络辨识器及应用

以RBF神经网络为模型框架，解决非线性系统的辨识问题。针对RBF网络的结构辨识问题，提出一种优选聚类算法，并用该算法，依据输入样本优选确定RBF神经网络的隐含层节点个数，采用新型二阶递推学习算法估计RBF网络中的参数和权值。上述混合算法，同时解决了RBF网络结构和参数辨识问题，大大提高了RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。     

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理,提出了一种熵约束 广义学习矢量量化神经网络,利用梯度下降法导出其学习算法,该算法是软竞争格式的一种推 广.由于亏损因子和尺度函数被定义为同一个模糊隶属度函数,它可以有效地克服广义学习矢 量量化网络的模糊算法存在的问题.文中还给出熵约束广义学习矢量量化网络及其软竞争学习 算法的许多重要性质,以此为依据,讨论拉格朗日乘子的选取规则.     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

一种基于卡尔曼滤波和模糊控制的RBF神经网络新型学习算法

提出了基于Kalman滤波最优估计和模糊控制的径向基函数（Radical Basis Function, RBF）神经网络学习算法,用实例进行了仿真实验。结果表明,与传统的RBF网络学习算法比较,该算法具有明显快速的学习效率和较高的识别精度.     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

基于模糊协同进化免疫的RBF网络学习算法研究

提出一种模糊协同进化算法与免疫算法相结合的方法,将该方法用于优化RBF网络隐节点参数,以改进RBF网络的性能,通过仿真实验证明,该方法比传统的学习算法在网络的逼近精度和泛化能力方面得到较好的协调统一。     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.     

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

自构造RBF神经网络及其参数优化

径向基函数神经网络的构造需要确定每个RBF的中心、宽度和数目。该文利用改进的聚类算法自动构造RBFN,考虑样本的类别属性,根据样本分布自动计算RBF的中心和宽度,并确定RBF的数目。所有的网络参数采用非线性优化算法来优化。通过IRIS分类问题和混沌时间序列预测评价自构建RBFN的性能,验证参数优化效果。结果表明,自构造RBFN不但能够自动确定网络结构,而且具有良好的模式分类和函数逼近能力。通过对网络参数的非线性优化,该算法明显改善了网络性能。     

聚类与动态RBF网络的模式识别应用研究

通过PCA方法来提取人脸特征,这些特征进一步映射到Fisher最优子空间,在这个子空间,类间分布同类内分布的比率最大。然后,提出一种新颖的有监督的聚类方法,利用有限的训练数据信息来选择RBF的结构和初始参数。最后,提出了一种混合的学习算法来训练RBF神经网络,使得在梯度下降寻优算法中大大降低了搜索空间的维数。在ORL数据库上进行的仿真结果表明,这个方法无论是在分类的错误率上还是在学习的效率上都能表现出极好的性能。     

Cooperative-competitive genetic evolution of radial basis functioncenters and widths for time series prediction

In a radial basis function (RBF) network, the RBF centers and widths can be evolved by a cooperative-competitive genetic algorithm. The set of genetic strings in one generation of the algorithm represents one REP network, not a population of competing networks. This leads to moderate computation times for the algorithm as a whole. Selection operates on individual RBFs rather than on whole networks. Selection therefore requires a genetic fitness function that promotes competition among RBFs which are doing nearly the same job while at the same time promoting cooperation among RBFs which cover different parts of the domain of the function to be approximated. Niche creation resulting from a fitness function of the form |w(i)|(beta)/E(|w(i')|(beta)), 1相似文献   

一种基于改进k-means的RBF神经网络学习方法

针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动。为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。     

Combined genetic algorithm optimization and regularized orthogonalleast squares learning for radial basis function networks

Presents a two-level learning method for radial basis function (RBF) networks. A regularized orthogonal least squares (ROLS) algorithm is employed at the lower level to construct RBF networks while the two key learning parameters, the regularization parameter and the RBF width, are optimized using a genetic algorithm (GA) at the upper level. Nonlinear time series modeling and prediction is used as an example to demonstrate the effectiveness of this hierarchical learning approach.