RBF网络在无线电测向中的逼近方法比较
需积分: 19 194 浏览量
更新于2024-08-07
收藏 1.64MB PDF 举报
"无线电测向仿真例子,基于RBF神经网络的逼近方法"
本资源主要涉及的是一个使用径向基函数(RBF)神经网络进行函数逼近的仿真案例,这个案例源自于之前章节中的Hermit多项式逼近问题。RBF神经网络被用来替代Hermit多项式,其隐层使用标准高斯径向基函数,输出层则采用线性激活函数。案例中,RBF网络的训练采用了三种不同的方法:聚类方法、梯度法和正交小二乘(OLS)算法。
1. **聚类方法**:利用聚类算法确定数据中心和扩展常数,输出权值和偏移通过广义逆方法求解。设置的隐节点数为10,重叠系数为1,初始聚类中心取前10个训练样本。
2. **梯度法**:所有参数(数据中心、扩展常数和输出权值)都通过梯度法求解,学习率为0.01。设置的隐节点数同样为10,输出权值和数据中心、扩展常数分别随机初始化在特定范围内,目标误差设为9.0,最大训练次数为5000。
3. **正交小二乘算法**:扩展常数固定为6.0,目标误差同样是9.0,隐节点数自动决定,输出权值仍通过梯度法求解。
这三种方法的Matlab程序在附录C、D、E中给出。通过图4.11可以看出,三种方法得到的RBF网络输入输出曲线非常接近,表明它们都能有效地逼近目标函数。然而,聚类方法和OLS方法的学习速度明显快于梯度法,后者类似于反向传播(BP)算法。
此外,提到的书籍《神经网络结构设计的理论与方法》深入探讨了神经网络的结构设计,包括影响泛化能力的因素、常用的设计和优化方法,如剪枝算法、构造算法和进化方法,以及参数优化设计方法如最优停止、主动学习和神经网络集成。书中提供了许多算法的Matlab实现代码,适合工程技术人员、高年级学生、研究生和教师学习使用。
总结来说,这个资源不仅展示了RBF神经网络在函数逼近中的应用,还提到了神经网络设计的基本概念和优化策略,为读者提供了深入理解神经网络结构和学习算法的视角。
2021-09-15 上传
2021-08-15 上传
2019-01-14 上传
点击了解资源详情
2021-09-15 上传
2020-10-25 上传
2014-08-08 上传
jiyulishang
- 粉丝: 25
- 资源: 3831
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库