粗糙集意义下的一种RBF神经网络设计方法

被引：7

作者：

王耀南 ^{[1
]}

张东波 ^{[1
]}

黄辉先 ^{[2
]}

易灵芝 ^{[2
]}

机构：

[1] 湖南大学电气与信息工程学院

[2] 湘潭大学信息工程学院

来源：

控制与决策 | 2007年 / 10期

基金：

湖南省自然科学基金;

关键词：

粗糙集; RBF神经网络; 聚类; 模式识别;

D O I：

10.13195/j.cd.2007.10.13.wangyn.005

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：

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.

引用

页码：1091 / 1096

页数：6

共 5 条

[1] 一种新颖的径向基函数(RBF)网络学习算法 [J].

孙健 ;

申瑞民 ;

韩鹏 .

计算机学报, 2003, (11) :1562-1567

[2] 基于聚类的连续值属性最佳离散化算法 [J].

席静 ;

欧阳为民 .

小型微型计算机系统, 2000, (10) :1025-1027

[3] RBF神经网络理论及其在控制中的应用 [J].

王旭东 ;

邵惠鹤 .

信息与控制, 1997, (04) :32-44

[4]

Improving classification performance using fuzzy MLP and two-level selective partitioning of the feature space[J] . Sushmita Mitra,Ludmila I. Kuncheva.Fuzzy Sets and Systems . 1995 (1)

[5] Fast Learning in Networks of Locally-Tuned Processing Units [J].

Moody, John ;

Darken, Christian J. .

NEURAL COMPUTATION, 1989, 1 (02) :281-294

← 1 →