径向基函数神经网络学习算法研究

摘要

径向基函数(RBF)神经网络以其深厚的生理学基础、简单的网络结构、快速的学习能力、优良的逼近性能，在函数近似、模式识别、信号处理、系统辨识等领域取得了广泛的运用，目前仍然是神经网络研究的重要内容。隐节点中心的选取是RBF网络学习要解决的主要问题；而训练数据中离群点的存在，将影响RBF网络的性能。本文对RBF网络现有学习算法进行了研究，并提出了解决以上问题的相应方法，取得了以下结果： (1)分析了RBF网络现有学习算法在隐节点中心选取，宽度确定和权值优化等方面的优缺点： (2)把微分进化和正交最小二乘算法相结合，提出RBF网络的微分进化正交最小二乘学习算法，使得网络的中心选择更加合理，从而提高了网络的泛化能力； (3)把减聚类方法和定标鲁棒代价函数相结合，提出RBF网络快速鲁棒学习算法，增强了网络对离群点的鲁棒性，同时缩短了网络的训练时间； (4)分别用微分进化正交最小二乘学习算法和快速鲁棒学习算法训练RBF网络，将训练后的网络应用于函数近似和时间序列预测等实例问题，验证了算法的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1神经网络概述

1.1.1神经网络的发展

1.1.2神经元模型和网络结构

1.1.3神经网络的学习

1.2 RBF网络学习算法研究现状

1.3本文主要研究工作

第二章径向基函数神经网络

2.1 RBF网络原理

2.1.1径向基函数与插值问题

2.1.2正则化网络

2.1.3 RBF网络模型

2.1.4 RBF网络逼近性能

2.1.5核回归与RBF网络

2.2 RBF网络常用学习算法

2.2.1聚类方法

2.2.2梯度训练方法

2.2.3正交最小二乘学习算法

第三章微分进化正交最小二乘学习算法

3.1进化计算与RBF网络学习

3.2微分进化算法

3.2.1 DE的基本策略

3.2.2 DE的控制参数

3.2.3 DE的特点

3.3正交最小二乘学习算法分析

3.4微分进化正交最小二乘学习算法

3.5实验

3.5.1 Hermite多项式近似

3.5.2 Mackey-Glass时间序列预测

第四章快速鲁棒学习算法

4.1减聚类方法

4.2定标鲁棒代价函数

4.3快速鲁棒学习算法

4.4实验

第五章总结和展望

参考文献

攻读硕士学位期间所做的科研工作

致谢