2
删年
3
月
第
24
卷第
1
期
安徽大学学报(自然科学版)
Journal of
Anh
ui
University
Natural
Sci
ence
Edi
tion
March
2
脱)()
Vo
1.
24 No.1
RBF
网络基函数中心选取算法的研究
朱明星张德龙
2
1
(安徽大学自动化系,安徽合肥
23
∞
39)
2(
安徽大学电子工程与信息科学系,安徽合肥
n
∞
39)
摘
要:首先介绍
RBF
网络基函数中心的随机选取算法,然后研究自组织学习算法选取
RBF
基函数中心方法,最后给出一种最近邻聚类学习算法。通过系统辨识的实例仿真,对几
种算法进行了深入分析与详细比较。
关键词:基函数中心
;HCM
算法
;konhonen
算法;最近邻聚类算法
中图分类号:1P
183
文献标识码
:A
文章编号:
1000
-
2162(2
棚
)01
一∞
72-
CJ7
在信号处理、模式识别等系统中,多层前馈网络是应用较为广泛的模型。但是大部分
基于反向传播的多层前馈网络的学习算法必须基
.f(.--c)
于某种非线性优化技术的缺点,计算量大、学习速
度慢。径向基函数神经网络
(Radial
Basis
F
unction
Neural
Network)
理论为多层前馈网络的学习提供
了一种新颖而有效的手段。
RBF
网络不仅具有良
好的推广能力,而且计算量少,学习速度一般也比
其它算法快得多。
RBF
神经网络拓扑图如图
1
所示
[1]0
RBF
网
络从输入空间到隐含空间的变换是非线性的,而
从隐含层空间到输出层空间的变换则是线性的。
这是一种前馈网络的拓扑结构,隐含层的单元是
感受野单元,每个感受野单元的输出为
ωι
=
Ri(x
=
exp(-
11
x -
Ci
11
2
/
σD)
(1)
式中
x
是输入模式
,
c
ι
是隐层第
i
个高斯函数的
中心,
σL
是第
z
个隐单元的归一化参数,即为高斯
函数的宽度
,
i
1
,…,叫,町,为隐单元的个数。
X"
X
1.
k
~
2 ,k
X
n
,
、
k
图
1
RBF
神经网络拓扑图
隐层将输入空间映射到一个新空间,输出层在该新空间中实现线性组合器,可调节参数就
是该线性组合器的权。
RBF
网络的输出为:
收稿日期:
1999
-
08
-
16
基金项目:安徽省教委自然科学基金资助项目
(98JLQ26)
作者简介:朱明星(1
968
-
),男,安徽金寨人,讲师.