改进的GGAP—RBF算法及其在函数逼近中的应用.pdfVIP

下载本文档

36
0
约 6页
2015-09-08 发布于重庆
举报
版权申诉

改进的GGAP—RBF算法及其在函数逼近中的应用.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

改进的GGAP—RBF算法及其在函数逼近中的应用

维普资讯第 2O卷第 2期模式识别与人工智能 Vo1．2O NO．2 2007年 4月 PR ＆ AI Apr 2007 改进的GGAP—RBF算法及其在函数逼近中的应用李彬赖晓平 (山东轻工业学院数理学院济南 250353) (山东大学威海分校信息工程学院威海 264209) 摘要在GGAP-RBF算法的基础上，提出RBF神经网络的一种改进算法，结合网络中隐层神经元径向基函数的宽度自适应调整算法和重合度阈值的动态调整方法．通过函数逼近领域中的3个 Benchmark问题，改进算法与 RAN、RANEKF、MRAN、IRAN和GGAP—RBF(GAP—RBF)算法做比较．仿真结果表明在需要较少隐层神经元和训练时间前提下，改进算法训练的网络有较好的泛化能力．关键词径向基函数 (RBF)神经网络，广义增长剪枝径向基函数 (GGAP—RBF)算法，Benchmark问题，删除策略中图法分类号 TP183 An ImprovedGGAP—RBF Algorithm andItsApplication toFunctionApproximation LIBin 。LAIXiao—Ping (DepartmentofMathematicalandPhysicalSciences，ShandongInstituteofLightIndustry， Jinan250353) (SchoolofInformationEngineering，ShandongUniversityatWeihai，Weihai2642O9) ABSTRACT Animprovedlearningalgorithm forRBF neuralnetwork basedontheGGAP—RBF algorithm isproposed．Theadaptiveadjustingalgorithmforthewidthofhiddenneuronradialbasisfunction andthedynamicalregulationofoverlapthresholdareintroducedintotheGGAP—RBF algorithm． Thepresentedalgorithm iscomparedwith RAN，RANEKF，MRAN，IRAN andGGAP—RBF (GAP—RBF)algorithmsbysimulationonthreebenchmarkproblemsin thefunctionapproximation area．Theresultsindicatethattheproposedalgorithm providesgoodgeneralization performance withconsiderablyreductioninnetworksizeandtrainingtime． KeyWords RadialBasisFunction (RBF)NeuralNetworks，GeneralizedGrowingandPruning RadialBasisFunction (GGAP—RBF) Algorithm ，Benchmark Problems，Pruning Strategy 收稿日期：2006—03—14；修回日期：2006—06—21 作者简介李彬，男，1979年生，硕士，主要研究方向为神经网络、机器学习、