一种新颖的径向基函数(RBF)网络学习算法

被引：31

作者：

孙健

申瑞民

韩鹏

机构：

[1] 上海交通大学计算机科学与工程系,上海交通大学计算机科学与工程系,上海交通大学计算机科学与工程系上海,上海,上海

来源：

计算机学报 | 2003年 / 11期

关键词：

RBF网络; 泛化能力; 正则化理论; 统计学习理论;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

以提高RBF网络泛化能力为着眼点 ,提出了一种新型的网络结构自适应学习算法 .该算法采用衰减聚类半径的聚类算法来确定初始的隐层结构 ,然后通过调整包含样本类别信息的扩展聚类不纯度来修正隐层结构 ,直至满足所有扩展聚类不纯度均小于等于不纯度均值以及所有扩展聚类方差均不超过方差均值这两个条件 .这样就确定了隐层的最终结构 .在确定隐层结构之后 ,采用反向传播算法来训练隐层与输出层之间的连接权重 .经双螺旋线问题仿真试验验证 ,该算法确实具有较强的泛化能力 .

引用

页码：1562 / 1567

页数：6

共 12 条

[1]

Cooperative-competitive genetic evolution of radial basis function centers and widths fortime series prediction. Whitehead B A. IEEE Transactions on Neural Networks . 1996

[2]

NEURAL NETWORKS[P]. COLLINGS NEIL.英国专利:GB2231989B,1993-10-06

[3]

A resource allocating network for function interpolation. Platt J C. Neural Computation . 1991

[4]

Performance evaluation of sequential mininal radial basis function (RBF) neural network learning algorithm. L u Y W, Sundararajan N, Saratchandran P. IEEE Transactions on Neural Networks . 1998

[5]

Learning without local minima in Radial Basis Function networks. Bianchini M, Frasconi P, Gori M. IEEE Transactions on Neural Networks . 1995

[6]

Regularisation in the selection of RBF centres. Orr MJ. Neural Computation . 1995

[7]

Fromregularizationoperatorstosupportvectorkernels. SmolaAJ,OlkopfBS. AdvancesinNeuralInformationProcessingsSystems . 1998

[8]

NeuralNetworksintheCapitalMarkets. MoodyJE,UtansJ. JohnWiley&Sons . 1994

[9]

The Nature of Statistical Learning Theory. Vapnik V. Springer-Verlag . 1995

[10]

Oninformation theoreticmeasuresofattributeimportance. YaoYY,WongSKM,ButzCJ. Proceedingsofthe3rdPacificAsiaConferenceonKnowledgeDiscoveryandDataMining (PAKDD’’99) . 1999

← 1 2 →