基于熵聚类的RBF神经网络学习算法.pdfVIP

第25卷 第11期 计 算 机 仿 真 2008年11月 文章编号：1006—9348(2008)11—0168—04 基于熵聚类的RBF神经网络学习算法 王华丽 ，周尚波 (重庆大学计算机学院，重庆400044) 摘要：RBF神经网络中心向量的确定是整个网络学习的关键 ，最常用确定中心向量的方法是K均值聚类算法，对聚类中心的 初值选择非常敏感，选择的不好，容易减低网络的训练性能。为克服以上问题，提出了一种熵聚类的方法来自动确定 RBF 神经网络隐结点的中心个数及其初始值，实现K均值聚类算法的初始化，再用改进的K均值聚类算法调整RBF神经网络的 中心和训练宽度。并将上述算法用于函数逼近问题。实验结果表明：改进的算法与常规的K均值聚类算法相比，提高了训 练速度和逼近精度。 关键词：径向基函数神经网络；熵聚类；均值聚类算法 中图分类号：TP183 文献标识码：B A TrainingAlgorithm forRBFNetworksBasedonEntropyClustering WANG Hua—li．ZH0U Shang—bo (CollegeofComputerScience，ChongqingUniversity，Chongqing，400044，China) ABSTRACT：ThekeypointinthedesignofRBFnetworksistospecifythenumberandthelocationofthecenters， andthemostcommonlyusedmethodofspecfiyingcentervectorisk— Meansalgorithm．Thek— Meansalgorithm is extremelysensitivetothenumberna dinitiallocationsofclustercenters，ifthechoiceisnotgood，thenetworkper- formancewilleasilydecrease．Inordertoovercomethisknottyproblem，na algorithm basedon entropyclustering methodispresentedtoselecthiddennodecentersofRBFneuralnetwork，nadrealizestheinitializationofK—Means algorithm ，thenthecenterandtrainingwidthofRBFneuralnetworkare~ainedbyallimprovedK—Meansalgorithm． Finally，theimprovedalgorithm isappliedtoafunctionapproximationissue．Thesimulationresultsshowthatthisal— gorihtm hastheadvantagesoffastconvergentspeednadhighapproximationaccuracy． KEYWORDS：Radialbasisfunction(RBF)neuralnetwork；Entropyclustering；Meansclusteringalgorithm 1 引言 为了克服K—Menas算法对中心初值选择的敏感度，本 作为一种单隐层前馈神经网络，RBF(RadialBasisFuc— 文提出了一种基于熵聚类的RBF学习算法。该算法利用熵 tion)神经网络已经成功地应用于函数近似、模式分类、系统 聚类思想来确定网络隐结点的个数和 中心值，实现 K— 建模、模式识别、信号处理等领域。RBF网络的广泛应用，是 Means聚类的初始化。再利用K—Means聚类算法来调整中