改进的GGAP—RBF算法及其在函数逼近中的应用

被引:3
作者
李彬
赖晓平
机构
[1] 山东轻工业学院数理学院
[2] 山东大学威海分校信息工程学院
关键词
径向基函数(RBF)神经网络; 广义增长剪枝径向基函数(GGAP-RBF)算法; Benchmark问题; 删除策略;
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
摘要
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.
引用
收藏
页码:230 / 235
页数:6
相关论文
共 6 条
[1]   一种改进的RAN学习算法 [J].
李彬 .
模式识别与人工智能, 2006, 19 (02) :220-226
[2]   A new sequential learning algorithm for RBF neural networks [J].
YANG Ge1 ;
2. Department of Power Engineering .
Science in China(Series E:Technological Sciences), 2004, (04) :447-460
[3]   A sequential learning scheme for function approximation using minimal radial basis function neural networks [J].
Lu, YW ;
Sundararajan, N ;
Saratchandran, P .
NEURAL COMPUTATION, 1997, 9 (02) :461-478
[4]   A FUNCTION ESTIMATION APPROACH TO SEQUENTIAL LEARNING WITH NEURAL NETWORKS [J].
KADIRKAMANATHAN, V ;
NIRANJAN, M .
NEURAL COMPUTATION, 1993, 5 (06) :954-975
[5]   A Resource-Allocating Network for Function Interpolation [J].
Platt, John .
NEURAL COMPUTATION, 1991, 3 (02) :213-225
[6]  
‘A Generalized Growing and Pruning RBF (GGAP-RBF) Neural Network for Function Approximation’ .2 Guang-Bin Huang,P Saratchandran,Narasimhan Sundararajan. IEEE transactions on Neural Networks . 2005