GA-RBFNN算法：提升复杂样本分类性能

本文主要探讨了"复杂样本分类的GA-RBFNN方法"，由田津、李敏强和陈富赞三位作者共同完成，他们来自天津大学管理学院。研究的焦点在于提升径向基函数神经网络(RBFNN)的分类性能，通过结合遗传算法(GA)的群体并行搜索优势，提出了一种创新的学习算法。 RBFNN是一种单隐层前馈网络，其关键在于确定隐层节点数目和中心位置，但传统的优化方法如梯度下降法难以处理非连续和不可微的问题，容易陷入局部极小值。遗传算法则凭借其全局搜索能力，能够在没有导数信息的情况下寻找潜在的全局最优解。文章指出，已有研究表明，通过将GA应用到RBFNN中，可以有效地调整参数，减少过拟合，增强网络的泛化能力。 在这个研究中，作者在传统的RBFNN训练基础上加入了控制向量，构建了一种矩阵式混合编码方式，这种编码方式能同时考虑整个网络的隐节点结构和径基宽度，这有助于提高算法的灵活性和效率。遗传操作算子如交叉和变异被设计用于进一步优化网络参数。网络权值则是通过伪逆法来求解确定，这种方法可以避免直接求解困难，提高了解决复杂问题的能力。 实验部分，作者使用了Iris、Wines和Glass等数据集进行了仿真实验，结果显示，提出的GA-RBFNN算法表现出快速且高效的特点，对于复杂样本的分类有显著的优势。论文的关键词包括RBFNN、遗传算法、混合编码和分类能力，表明了研究的重点集中在如何通过集成这两种技术来提升RBFNN在实际问题中的表现。 总结起来，本文的贡献在于提出了一种有效的RBFNN训练策略，利用遗传算法的优势解决RBFNN结构优化问题，对于提高复杂样本的分类准确性和鲁棒性有着重要的理论和实践意义。