基于聚類的RBF-LBF串聯(lián)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法及其應(yīng)用.pdf

1、徑向基函數(shù)(RBF)方法是一種在多維空間中插值的技術(shù)，將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的研究正處于發(fā)展階段?；镜腞BF神經(jīng)網(wǎng)絡(luò)是一種三層前饋網(wǎng)絡(luò)，其收斂速度高于一般的BP網(wǎng)絡(luò)，且其網(wǎng)絡(luò)的結(jié)構(gòu)可以在算法中確定。因此，RBF神經(jīng)網(wǎng)絡(luò)地研究和應(yīng)用在近年來得到了迅速地發(fā)展。
　　 目前，RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有很多，通常采用k-means、正交最小二乘法等訓(xùn)練隱層參數(shù)，而用梯度下降法、遞推最小二乘法等訓(xùn)練權(quán)值。這些算法設(shè)計中存在的主要問題包括隱層

2、節(jié)點(diǎn)數(shù)、中心和半徑的確定，以及網(wǎng)絡(luò)權(quán)值的訓(xùn)練。
　　 本文主要針對以上問題開展了如下工作:
　　 本文首先討論了k-means聚類算法的優(yōu)缺點(diǎn)，提出了一種自適應(yīng)的k-means聚類算法(SA-K-means)。接著研究了單層RBF神經(jīng)網(wǎng)絡(luò)和LBF網(wǎng)絡(luò)的分類原理，以及RBF-LBF串聯(lián)神經(jīng)網(wǎng)絡(luò)的分類方法，并提出了一種基于SA-K-means聚類算法的RBF-LBF串聯(lián)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法(CBRBF-LBF)。該算法在對單層