一种基于改进k-means的RBF神经网络学习方法

被引：16

作者：

庞振

徐蔚鸿

机构：

[1] 长沙理工大学计算机与通信工程学院

来源：

计算机工程与应用 | 2012年 / 11期

关键词：

减聚类算法; k-means算法; 径向基函数(RBF)神经网络; 梯度下降法;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

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。

引用

页码：161 / 163+184 +184

页数：4

共 6 条

[1] K-means算法的初始聚类中心的优化 [J].

赖玉霞 ;

刘建平 .

计算机工程与应用, 2008, (10) :147-149

[2]

径向基函数神经网络学习算法研究[D]. 苏美娟.苏州大学. 2007

[3]

径向基函数神经网络的学习算法研究[D]. 李彬.山东大学. 2005

[4]

人工神经网络教程[M]. 北京邮电大学出版社 , 韩力群, 2006

[5]

神经网络结构设计的理论与方法[M]. 国防工业出版社 , 魏海坤编著, 2005

[6]

Fuzzy Model Identification Based on Cluster Estimation[J] . Stephen L. Chiu.Journal of Intelligent and Fuzzy Systems . 1994 (3)

← 1 →