径向基函数神经网络及其在数据挖掘中的应用研究

摘要

该文首先在回顾RBF网络的发展简史、网络结构和基本算法的基础上,总结了关于RBF网络设计的关键问题——隐结点选择和网络泛化能力改进的基本技术方法.详细介绍了正交化最小二乘(OLS)学习算法.然后,在分析了整批次学习算法和在线学习算法各自的优缺点之后,该文以在线学习算法RANEKF为基础,针对RANEKF算法的不足,结合整批次算法的优点,提出了更为有效的混合在线学习算法(HSLA).最后,该文介绍了神经网络的一个主要应用领域——数据挖掘的概况.在介绍了数据挖掘的基本概念、分类、应用领域、主要技术方法之后.该文分析了HSLRBF应用于数据挖掘领域的前景.

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章绪论

1.1前言

1.2 RBF神经网络的发展简史

1.3研究动机和创新点

1.4本文的结构安排

第二章RBF神经网络结构以及学习算法

2.1 RBF与插值问题

2.2 RBF网络结构

2.3 RBFNN学习算法综述

第三章隐层神经元选择与泛化能力改进

3.1 RBFNN的正规化

3.2 Growing RBFNN和Pruning RBFNN

3.3 OLS(Orthogonal Least Squares)算法

3.4 Early Stopping准则

第四章在线学习算法改进

4.1 RANEKF算法分析

4.2采用K-中心聚类法进行网络初始化

4.3含噪声单样本训练的改进

4.4删减策略

4.5合并策略

4.6 HSLRBF(Hybrid Sequential Learning RBF)

第五章数据挖掘与HSLRBF在数据挖掘中的应用前景

5.1数据挖掘的定义、定位和要求

5.2数据挖掘的目的、过程和分类

5.3数据挖掘的应用领域

5.4数据挖掘的技术方法

5.5 HSLRBF应用于数据挖掘的前景分析

第六章HSLRBF用于分类挖掘问题的实验研究

6.1 Breast Cancer问题介绍

6.2作为对照的PROBENl介绍

6.3 HSLRBF网络用于Breast Cancer问题的实验

6.4实验总结

第七章总结与展望

参考文献

发表论文及参加科研情况

致谢