径向基概率神经网络结构的遗传优化.pdfVIP

维普资讯 第33卷第6期 中 国 科 学 技 术 大 学 学 报 Vo1．33，No．6 2003年 12月 JO~ AL0 mm，E】ItsrrYOFSCIENCEANDTECHNOLOGYOFCHINADec．2003 文章编号 ：0253-2778(2003)06-0733-09 径 向基概率神经网络结构 的遗传优化 赵温波 ，黄德双2，郭 磷2 (1．中国科学技术大学 自动化系，合肥 230031；2．中科院合肥智能机械研究所 ，合肥 230031) 摘要：运用遗传算法(GA)来优化设计径 向基概率神经网络 (RBPNN)结构，优选 了隐 中心矢量和优化求取对应的核函数控制参数．提 出的染色体编码方式，充分体现 了所 选隐中心矢量在模式样本空间中的数量及位置分布，同时还 包含 了相适应的棱 函数 控耕参数信息．新构造的适应度 函数不仅有效地控制 了网络输出的误差精度 ，而且还 能够使得 RBPNN结构优化趋于最简．将 IRIS分类 问题用于检验该算法的有效性并 与ROLSA和 MKM进行 了比较研究，结果表 明，GA的优化效率最高，而且 GA优化后 的RBPNN在推广能力方面也没有 明显下降． 关键词：遗传算法；径向基概率神经网络；隐中心矢量；结构优化 中图分类号 ：TP39 文献标识码 ：A O 引言 径向基概率神经网络 (RBPNN) 是在径向基 函数神经网络 (RBFNN) ，和概率神经 网络 (PNN)[41的基础之上发展起来 的．该网 yl 络的主要优点是 ：在训练时间和测试速度方 面，比 RBFNN要快得 多，同时它也克服 了 PNN无法避免的模式交错影响．从总体性能 y； 上来说，RBPNN很好地实现 了 RBFNN和 PNN之间的折衷 ，在某些方面甚至超过前两 种网络．如图 1所示，RBPNN 的结构包括 四 层 ：一个输入层 、两个隐层及一个输出层．其 图1 径向基概率神经网络结构 中，第一隐层是非线性处理层 ，它实现输入 rig．1 Thestructure theradialbasis 的非线性变换 ，或输入样本的非线性划分 ； probabflisticneuralw 第二隐层是对第一隐层 的输出有选择性地求和与聚类．这两层完成了该网络的主要功能．假 定 BBPNN有 ￡个输入节点，即输人样本 为 ￡维向量 ，第二隐层和输出层有肼个节点，即输 出有肘个模式，共有Jv『个训练样本，则 RBPNN 的输出可以描述为 收稿 日期：2002—12—13 基金项 目：国家 自然科学基金资助项 目 作者筒介：赵置波 ，男 ，1972年生，博士生．E-mail：wbzhao~iim．％ cn 维普资讯 734 中国科学技术大学学报 第33卷 )，11 )，12 )，1村 h11 h12 h1M Y21 Y22 Y2M h21 h22 h2M ● ： ● ： h，v1 hm h，vM )，M Y胞 YNM 其 中