基于支持向量機(jī)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的算法及應(yīng)用研究.pdf

1、學(xué)習(xí)是人類的基本智能活動(dòng),學(xué)習(xí)能力是人類智能的根本特征。機(jī)器學(xué)習(xí)是指機(jī)器在人工智能系統(tǒng)中模擬并實(shí)現(xiàn)各種學(xué)習(xí)行為的過程。傳統(tǒng)的機(jī)器學(xué)習(xí)方法主要有神經(jīng)網(wǎng)絡(luò)、小波網(wǎng)絡(luò)、模糊系統(tǒng)及建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)的新的通用機(jī)器學(xué)習(xí)方法——支持向量機(jī)等。
　　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種新穎有效的前饋式神經(jīng)網(wǎng)絡(luò),它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近的性能和全局最優(yōu)的特性,并且結(jié)構(gòu)簡(jiǎn)單,訓(xùn)練速度快。在RBF神經(jīng)網(wǎng)絡(luò)中,隱層中心的數(shù)量和位置是整個(gè)網(wǎng)絡(luò)性能優(yōu)劣

2、的關(guān)鍵,直接影響著網(wǎng)絡(luò)的性能。中心的數(shù)量即隱層節(jié)點(diǎn)數(shù)量選得太多,容易導(dǎo)致過擬合,使得推廣能力下降;中心數(shù)選得太少,所學(xué)習(xí)的網(wǎng)絡(luò)對(duì)樣本中包含的信息學(xué)習(xí)得不充分,也會(huì)使得推廣能力下降。在實(shí)際應(yīng)用中,RBF網(wǎng)絡(luò)的優(yōu)勢(shì)在于用線性學(xué)習(xí)算法來完成以往非線性學(xué)習(xí)算法所做的工作,同時(shí)又能保持非線性算法所具有的準(zhǔn)確率高等特點(diǎn)的神經(jīng)網(wǎng)絡(luò)。但是,在解決高維數(shù)據(jù)問題時(shí),用傳統(tǒng)方式確定的RBF網(wǎng)絡(luò)在推廣能力上有著很明顯的缺點(diǎn)。
　　基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向

3、量機(jī)算法具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)和嚴(yán)格的理論分析,具有理論完備、全局優(yōu)化、適應(yīng)性強(qiáng)、推廣能力好等優(yōu)點(diǎn),它在很大程度上解決了以往的機(jī)器學(xué)習(xí)模型的選擇與過學(xué)習(xí)、非線性、維數(shù)災(zāi)難、局部極小點(diǎn)等問題,由于支持向量機(jī)在模式識(shí)別、回歸估計(jì)、函數(shù)逼近、風(fēng)險(xiǎn)預(yù)算、金融序列分析、密度估計(jì)、新奇性檢驗(yàn)等各個(gè)領(lǐng)域獲得了巨大成功,立刻成為了機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、人工智能等方向的專家與學(xué)者研究的對(duì)象。它使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,綜合了統(tǒng)計(jì)學(xué)習(xí)、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等方面

4、技術(shù),在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí),有效地提高了算法泛化能力。它與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,具有良好的潛在應(yīng)用價(jià)值和發(fā)展前景。
　　本文以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)為主要研究對(duì)象,在介紹了機(jī)器學(xué)習(xí)方法的基礎(chǔ)理論以及RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的機(jī)理后,分析研究了這兩種學(xué)習(xí)方法的內(nèi)在聯(lián)系。本文在研究這種內(nèi)在聯(lián)系并闡述遺傳算法的流程和基本原理的基礎(chǔ)上,提出了基于支持向量機(jī)和遺傳算法RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化算法,即使用遺傳算法為支持向量機(jī)進(jìn)行模型參