基于无监督学习算法训练径向基概率神经网络

本文研究了径向基概率神经网络(Radial Basis Probabilistic Neural Networks,RBPNN)的一种新的无监督学习算法,该算法整合了径向基概率神经网络的结构原理与动态聚类算法的特点,使得在对训练样本的聚类分析并正确划分其类别属性的同时,自动完成径向基概率神经网络的训练过程.本算法在对IRIS和双螺旋分类问题的应用中,取得了较好的分类效果,而且在推广能力方面,由本文算法训练的RBPNN要明显好于有监督训练的径向基函数神经网络(RBFNN).     

基于卡尔曼滤波算法和双径向转移函数的RBF型神经网络

RBF径向基函数神经网络具有训练简洁、学习效率快、不易陷入局部极小等优点,广泛应用于信号处理与模式识别.虽然常用的RBF网络比较容易构建,但因其结构通常固定或者复杂度较高,从而导致学习时间过长或网络资源的浪费.针对上述原因,提出利用扩展卡尔曼滤波器作为RBF的学习算法,并在隐层中使用双径向函数.通过对逼近基准的结果分析,清楚地表明该算法比其他分类网络模型具有更强的泛化性.     

非径向对称的广义径向基神经网络的代理模型

为提高广义径向基神经网络代理模型的计算精度以及减少这种网络的计算量,提出并构建非径向对称核函数的广义径向基神经网络。采用径向对称的高斯核函数以及非径向对称的核函数对测试函数进行代理模型验证,从训练以及测试网络所需的时间、广义网络的隐层节点数、相对误差以及均方根误差等方面对代理模型进行评价,实验结果表明这种非径向对称的广义径向基神经网络的代理模型具有计算精度高、所需网络节点少、计算比较的次数少等优点。     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

基于混合训练方法的RBF神经网络的曲面重构

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。     

激活函数可调的RBF神经网络模型

RBF神经网络是一种新颖的前馈神经网络,相比传统的BP神经网络具有更强的函数逼近、分类能力,以及更快的学习速度.在实际应用和科学研究中,不同径向基函数的选择对RBF神经网络的性能有很大的影响,一般是根据经验或者实验效果来选择适当的径向基函数.本文提出一种激活函数可调的RBF神经网络模型,将具有不同表达能力的径向基函数通过线性组合的形式形成新的神经元激活函数,进而提高神经网络的逼近精度和泛化能力,对于有监督学习,给出了相应的各参数的训练算法和应用举例.     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

基于交叉验证的改进RBF分类器设计

本文提出了一种利用k均值聚类算法确定RBF神经网络径向基函数数目、函数中心及宽度,输出层权值由线性方程组确定,而网络参数的优化采用梯度下降法的网络设计方法.为了解决学习样本数据的有限性、RBF网络泛化能力较差和容易出现过拟合等问题,在网络训练中采用了基于交叉验证的归一化网络训练方法.通过仿真实验表明该方法训练所得的网络泛化能力及分类的准确率明显提高,并有效避免了过拟合问题.     

基于径向基神经网络用于中医舌诊诊断的研究

研究基于聚类分析的径向基神经网络用于中医舌诊诊断,构建一个中医舌诊智能诊断的神经网络模型.先对输入样本集进行数据归一化处理,采用K-means聚类算法对样本集进行聚类分析,得到聚类中心的位置和数量,再构建RBF神经网络进行学习、训练.以肝病病证诊断进行仿真.实验结果表明:该中医舌诊智能诊断模型具有诊断能力强、收敛速度快、泛化能力强等特点.因此,基于聚类分析的径向基神经网络用于中医舌诊诊断的研究是可行的、有效的.