基于RBFNN的復雜樣本分類研究.pdf

1、徑向基函數(shù)神經(jīng)網(wǎng)絡(RadialBasisFunctionNeuralNetwork，RBFNN)是一種三層前饋性網(wǎng)絡，具有泛化能力強、收斂速度快等特點，引起各領(lǐng)域工作者的極大關(guān)注，已成功的運用于系統(tǒng)識別、數(shù)據(jù)挖掘等許多領(lǐng)域。本文在RBFNN的基礎(chǔ)上對復雜樣本分類問題進行了較深入的研究，主要包括以下幾個方面： 在普通的兩階段構(gòu)造RBFNN基礎(chǔ)上，把最近鄰衰減聚類的思想與誤差平方和準則結(jié)合起來，提出了一種RBFNN三階段學習算法。

2、首先利用基于最近鄰衰減半徑的聚類算法確定隱層中心的初始結(jié)構(gòu)，同時利用樣本信息動態(tài)控制最小聚類半徑，既防止了固定半徑聚類較差的自適應性，避免了衰減最小半徑經(jīng)驗值的多次試探確定，又有效降低了半徑無限縮減引起的過學習現(xiàn)象的產(chǎn)生。然后，加入了利用誤差平方和對由衰減聚類確定的中心點進行微調(diào)的階段，通過考察樣本移動對其的影響，調(diào)整中心點數(shù)值，使得結(jié)果的測試精度更高。同時利用類內(nèi)類間距確定徑基寬度，充分考慮了類間距對樣本聚類的影響，避免了統(tǒng)一的徑基寬

3、度可能引起的分類區(qū)域過度重疊。最后利用偽逆法確定權(quán)值。經(jīng)Iris、Wines和Glass數(shù)據(jù)集的仿真實驗驗證，該算法確實具有較強的分類能力。 以提高RBFNN分類能力為出發(fā)點，結(jié)合遺傳算法(GeneticAlgorithm，GA)群體并行搜索能力，提出了一種有效的GA-RBFNN學習算法。該算法在RBFNN三階段學習算法確定網(wǎng)絡初始結(jié)構(gòu)的基礎(chǔ)上，加入控制向量，設(shè)計了包含整個網(wǎng)絡隱節(jié)點結(jié)構(gòu)和相關(guān)參數(shù)的矩陣式混合編碼方式，以及相應的