基于云理論的RBF神經(jīng)網(wǎng)絡(luò)算法改進(jìn)研究.pdf

1、本文基于云理論提出了一種用正態(tài)云來替代高斯徑向基函數(shù)的RBF神經(jīng)網(wǎng)絡(luò)改進(jìn)算法，具體實(shí)現(xiàn)方法為： 將RBF聚類中心和帶寬的確定問題轉(zhuǎn)換為正態(tài)云參數(shù)的確定問題，進(jìn)而使得RBF隱層的輸出結(jié)果同時具有了模糊和隨機(jī)的特性，充分的體現(xiàn)了云理論的精髓；網(wǎng)絡(luò)所用數(shù)據(jù)樣本原有的隨機(jī)因素被順利的傳遞至輸出層，很好的克服了傳統(tǒng)模糊理論“模糊不徹底”的弊端；新算法與云理論比較；因其保留了RBF的自學(xué)習(xí)功能，從而避開了云理論應(yīng)用中模糊規(guī)則提取的問題。

2、 同時，針對改進(jìn)的算法中出現(xiàn)的兩個新的問題，本文也找到了很好的解決方法： (1)原有的高維云模型隸屬度計算公式在維數(shù)較高時，由于求和累積項很大，輸出值陷入死區(qū)，造成網(wǎng)絡(luò)后續(xù)無法訓(xùn)練。針對此問題，本文引入云的幅度系數(shù)作為權(quán)值參量，實(shí)踐證明可行，拓展了高維云的適用范圍。 (2)幅值不等的兩朵云合并的問題。針對這一問題，本文提出一新的合并算法，通過三維尋優(yōu)，得到的合并后云的期望曲線參數(shù)。 以實(shí)際的污垢數(shù)據(jù)庫對該改進(jìn)