RBF网络在无线电测向中的逼近方法比较

"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。