基于支持向量機優(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,學(xué)習(xí)能力是人類智能的根本特征。機器學(xué)習(xí)是指機器在人工智能系統(tǒng)中模擬并實現(xiàn)各種學(xué)習(xí)行為的過程。傳統(tǒng)的機器學(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)計學(xué)習(xí)理論基礎(chǔ)的新的通用機器學(xué)習(xí)方法——支持向量機等。
　　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)對樣本中包含的信息學(xué)習(xí)得不充分,也會使得推廣能力下降。在實際應(yīng)用中,RBF網(wǎng)絡(luò)的優(yōu)勢在于用線性學(xué)習(xí)算法來完成以往非線性學(xué)習(xí)算法所做的工作,同時又能保持非線性算法所具有的準確率高等特點的神經(jīng)網(wǎng)絡(luò)。但是,在解決高維數(shù)據(jù)問題時,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。
　　基于統(tǒng)計學(xué)習(xí)理論的支持向

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

4、技術(shù),在最小化經(jīng)驗風(fēng)險的同時,有效地提高了算法泛化能力。它與傳統(tǒng)的機器學(xué)習(xí)方法相比,具有良好的潛在應(yīng)用價值和發(fā)展前景。
　　本文以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和支持向量機為主要研究對象,在介紹了機器學(xué)習(xí)方法的基礎(chǔ)理論以及RBF神經(jīng)網(wǎng)絡(luò)和支持向量機的機理后,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進行模型參