需要金币:2000 个金币 | 资料包括:完整论文 | ||
转换比率:金额 X 10=金币数量, 例100元=1000金币 | 论文字数:9235 | ||
折扣与优惠:团购最低可5折优惠 - 了解详情 | 论文格式:Word格式(*.doc) |
摘要:本论文分析了两类用于分类问题的径向基函数神经网络学习算法。这两种算法使用一种启发式的方法来确定网络中隐藏神经元的中心,数量和扩展范围。这两种算法以最大化每个神经元能够覆盖的数据数量的方式,使得网络能够用更少数量的隐藏神经元实现更高的效率,使网络学习的过程变得快速和简单。每个神经元覆盖一些同类的训练数据,终止条件是覆盖所有训练数据或神经元数量达到最大。在每一步中,新神经元中心的选择基于它覆盖范围的最大化。神经元覆盖范围的最大化使得网络具有更少的神经元,更低的VC维度和更好的泛化属性。使用了高斯函数作为隐藏神经元的激活函数。将基于此方法构建的径向基函数神经网络应用于一些多分类数据集,在分类准确率与训练时间方面的性能良好,并且将此算法与其他径向基函数算法进行比较,显示出的性能也令人满意。 关键词:径向基函数神经网络,学习规则,中心确定算法,最大覆盖,模式识别
目录 中文摘要 Abstract 摘要-1 Abstract-2 第一章 绪论-3 1.1 研究背景及研究意义-3 1.2 国内外研究现状-4 1.3 本文主要研究内容及章节安排-5 第二章 RBF神经网络简介-6 2.1 RBF神经网络的发展史-6 2.2 中心位置的确定对RBF神经网络的重要意义-6 2.3 RBF神经网络的结构及特点-7 第三章 RBF神经网络的学习算法-8 3.1 基于最大扩散的学习规则-8 3.2 基于最大数据覆盖的学习规则-10 第四章 激活函数及输出层-13 4.1 激活函数-13 4.2 输出层的权重-13 第五章 实验结果及分析-15 5.1 两种算法在不同数据集下的性能比较-15 5.2 与其他RBF算法的比较-18 第六章 总结-20 参考文献-21 致谢-23 |