一种基于粗糙集的RBF神经网络结构设计方法.doc

一种基于粗糙集的RBF神经网络结构设计方法( 摘 要：提出一种基于粗糙集理论和OLS算法的RBF神经网络结构设计方法。利用系统的输入输出样本数据建立粗糙集知识表达系统，通过计算输入空间知识对输出空间知识的确切度来定量分析每个输入变量对输出的影响程度，约简知识表达系统的输入空间，从而确定系统阶次和网络输入层的节点个数；然后运用OLS算法来确定网络隐层节点个数和输出层权值。文章最后以一非线性系统为对象，对该方法进行了仿真研究和模型检验。 关键词：粗糙集；RBP神经网络结构；OLS算法 中图分类号：TP273 A Design Method for RBF Neural Network Structure Based on Rough Sets Abstract: A design method of RBF neural network construction based on rough sets and orthogonal least squares (OLS) is proposed in this paper. First, the rough sets knowledge expression system is built taking use of the large number of system sample data. The impact of input variables on output variables is analyzed through computing an accuracy measure of input space knowledge on output space knowledge with reducing the input space of the knowledge expression system，System order and the input layer nodes of neural network can be decided by this way. Secondly, the hide layer nodes and the weights of output layer of the neural network can be obtained using OLS algorithm. Finally, the research of simulations on a nonlinear system are carried out using this method in this paper, the research results show the method is effective and feasible. Key Words: Rough sets; RBF Neural Network Construction; Algorithm of OLS 1 引言 神经网络在有限数据样本上学习后具有泛化能力[1,2]，这是神经网络的基本特点之一。文献[3]讨论了多种情况下为保证前向神经网络泛化能力所需的样本数问题，文献[4,5]在分析了多层前向神经网络的泛化能力与结构复杂性和样本复杂性关系的同时，介绍了一些神经网络结构设计方法。文献[6]提出了网络信息准则（Network information criterion，NIC）作为前馈型神经网络结构选择的准则函数。本文通过对NIC信息量准则函数和粗糙集理论的研究，针对一类前向网络—径向基函数（Radial basis function, RBF）神经网络，基于OLS（Orthogonal least squares）算法提出了一种由样本数据确定径向基函数神经网络结构的方法，并对该方法进行了仿真研究和模型检验。 2 径向基函数(RBF)神经网络 径向基函数（Radial basis function, RBF）神经网络是一类前向网络，其拓扑结构如图1所示。 网络完成非线性映射： 其中：是输入矢量，是一个的函数，是欧氏范数，Wi是输出层的权值，ci是RBF网络的数据中心，m是中心的数目，是径向基函数。 如果前向网络学习集合为，是未知函数，W是待学习权值，那么神经网络的学习过程就是寻找及W使下述能量函数达到最小值。 式中是函数空间上的L2范数，约束算子p(·)应当仔细选择以保证函数的平滑，表示约束的严格程度，从正则化方法出发采用变分原理[7]可以证明应该取径向基函数。 3 正交最小二乘(OLS)算法 正交最小二乘（Orthogonal least squares, OLS）算法是一种回归算法，利用正交优选方法找出神经网络的最佳隐层节点数m，基函数中心值