神经网络结构设计：基函数扩展常数的确定与优化方法

"神经网络结构设计的理论与方法，包括影响网络泛化能力的因素、结构优化设计方法（如剪枝算法、构造算法、进化方法）和参数优化设计方法（如最优停止方法、主动学习方法、神经网络集成）。书中提供MATLAB实现代码，适合工程技术人员、学生和教师参考学习。主要内容涵盖基本神经元模型（如MP、Hebb、感知器学习规则）、多层感知器网络（BP算法）和径向基函数神经网络（RBF网）等。" 在神经网络的学习和应用中，确定基函数的扩展常数是一个关键步骤，这直接影响到网络的性能和泛化能力。标题中的"如何确定基函数的扩展常数-无线电测向"可能是指在特定的无线电测向任务中，如何选择和调整神经网络中基函数的参数。 描述中提到了两种确定基函数扩展常数的方法。一种是通过试错法（Try and Error），即设置不同的固定值并观察网络的性能，以找到最优值。这种方法简单直观，但可能需要大量的实验和时间。另一种方法是利用聚类技术，根据数据的分布来决定基函数的参数。聚类方法可以依据样本间距离确定扩展常数，但其局限在于仅考虑输入信息，未充分利用输出信息或误差信息，且无法自动确定最佳聚类数量。 在神经网络结构设计中，基函数的选取和扩展常数的确定至关重要。例如，在径向基函数神经网络（RBF网）中，基函数通常是高斯函数，其扩展常数（也称为中心或半径）决定了网络的复杂性和适应性。正确设定这些参数可以帮助网络更好地拟合数据，防止过拟合或欠拟合。 此外，书中的内容还涵盖了神经网络的结构设计和优化，包括剪枝算法（如权衰减法、灵敏度计算方法、相关性剪枝方法）用于减少网络复杂性，构造算法（如CC算法、资源分配网络）用于自适应地构建网络结构，以及进化方法（如遗传算法、粒子群优化）用于全局搜索最优网络配置。参数优化设计方法则包括最优停止策略、主动学习和神经网络集成，这些都能提升网络的泛化能力和学习效率。 这本书对于神经网络初学者和实践者来说是一本宝贵的资源，不仅介绍了基本的神经元模型和学习规则，还深入探讨了多层感知器（尤其是BP网络）和RBF网络，这些都是实际应用中常见的神经网络类型。同时，提供的MATLAB代码实现帮助读者更好地理解和应用这些理论知识。