版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、蘭州大學(xué)碩士學(xué)位論文RBF神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用研究姓名:劉進(jìn)軍申請(qǐng)學(xué)位級(jí)別:碩士專業(yè):信息與通信工程、通信與信息系統(tǒng)指導(dǎo)教師:楊凌20080601蘭州大學(xué)研究生學(xué)位論文AbstractRBFneuralnetworkhassomeadvantages,suchassimplestructure,hi曲learningspeed,betterfittingprecisionbettergeneralizationabilityandco
2、nvergingtoglobaloptimizationetcSoitisoftenusedinfunctionapproach,classification,timesequencepredictionandSOonAlthoughRBFneuralnetworkiseasytoconstrucLitsstructureiscertainoritsalgorithmisverycomplicatedItisawasteofnetwor
3、kresourcesandlowerslearningspeed,SOitispossibleteducelearningtimethroughsomeimprovingworkInordertoimprovethepropertiesoftraditionalRBFneuralnetworkthispaperproposestwomodifiedRBFnetworksDLCRBFandHUCRANInDLCRBFnetworkdire
4、ctlinearconnectionsbetweeninputlayerandoutputlayerareadded,anddataisclusteredwithnearestneighborclusteringalgorithmwhichmakesthenetworklearnonlineThen,thesteepestdescendentalgorithmisusedtomodifythenetparameterstogettoop
5、timizationAlltheseworkmakesDLCRBFnetworkbetterthanclassifiedRBFnetworksbothinlearningspeedandgeneralizationabilityAlsothispapercombinesRANcorrelationpruningstrategyandPCAdatapretreatmentmethod,andputsforwardanimprovednet
6、workHUCRANIthastheadvantagesofRANwhichareconstructingsimplestructurenetworklearningonlineandinputtingdataonce,anditalsohastheadvantagesofcorrelationpruningstrategywhicharcsimplifyingnetworkstructureandimprovinggeneraliza
7、tionabilityHUCRANCanoffsetrespectivefaultsofRANandcorrelationpruningalgorithmDLCRBFandHUCRANarerespectivelyusedinethyleneandpropylenequalitypredictionsandfinanceearlywarningThesimulationresultsshowthatthetwoimprovednetwo
8、rkshavebetterperformancesthanoriginalnetworks,andtlleycallbeusedinmodelingengineeringobjectsinwhichtherelationshipbetweensecondaryvariablesandmainvariablesisverycomplicatedandhighlynonlinearThesimulationsalsoverifythatth
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- RBF神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用研究.pdf
- 灰色神經(jīng)網(wǎng)絡(luò)改進(jìn)算法及其應(yīng)用研究.pdf
- 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)在可轉(zhuǎn)化債券定價(jià)中的應(yīng)用研究.pdf
- 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)及其在字符識(shí)別中的應(yīng)用.pdf
- RBF神經(jīng)網(wǎng)絡(luò)及其在電力諧波測(cè)量中的應(yīng)用研究.pdf
- 量子RBF神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用.pdf
- 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究.pdf
- 基于LM改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)算法研究.pdf
- 改進(jìn)蟻群聚類算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)控制研究及其應(yīng)用.pdf
- RBF神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用研究.pdf
- RBF神經(jīng)網(wǎng)絡(luò)在Web挖掘中的應(yīng)用研究.pdf
- RBF神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用.pdf
- 基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)研究.pdf
- 文化算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)及應(yīng)用研究.pdf
- 基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的PID控制.pdf
- RBF神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用研究.pdf
- 基于改進(jìn)遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用.pdf
- 徑向基(RBF)人工神經(jīng)網(wǎng)絡(luò)的算法及其應(yīng)用.pdf
- 基于云理論的RBF神經(jīng)網(wǎng)絡(luò)算法改進(jìn)研究.pdf
- RBF神經(jīng)網(wǎng)絡(luò)在ECT圖像重建中的應(yīng)用研究.pdf
評(píng)論
0/150
提交評(píng)論