一种用于RBF神经网络的支持向量机与BP的混合学习算法

被引：8

作者：

袁小芳

王耀南

孙炜

杨辉前

机构：

[1] 湖南大学电气与信息工程学院

[2] 湖南大学电气与信息工程学院湖南长沙　

[3] 湖南长沙　

来源：

湖南大学学报(自然科学版) | 2005年 / 03期

关键词：

机器学习; 支持向量机; 神经网络; BP算法;

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：

摘要：

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法.算法分为2步:首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数.混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点.仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良.

引用

页码：88 / 92

页数：5

共 5 条

[1] RBF神经网络的函数逼近能力及其算法
柴杰
江青茵
曹志凯
[J]. 模式识别与人工智能, 2002, 15 (03) : 310 - 316
[2] 一种径向基函数神经网络在线训练算法及其在非线性控制中的应用
王学雷
邵惠鹤
李亚芬
[J]. 信息与控制, 2001, (03) : 249 - 253
[3] 支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini, 2004
[4] A tutorial on Support Vector Machines for pattern recognition
Burges, CJC
[J]. DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) : 121 - 167
[5] Fast training of support vector machines using sequential minimum optimization .2 PLATT J. Advance in Kernel Methodssupport Vector Learning . 1999

← 1 →