二阶 Newton 法训练径向基函数神经网络的算法研究.pdfVIP

DOI ：１０ ．７５４４/issn１０００‐１２３９ ．２０１５ Journal of Computer Research and Development ５２（７）：１４７７ １４８６ ，２０１５ Newton １ １ ２ ３ １ ４ 　 　 　 　 　 　 　 Kanishka T yagi 　 　 １ （　 　 ２５０１０１） ２ （　 　 ７６０１９） ３ （　 　 ２５０１０１） ４ （　 　 ２５００６１） （caix unzh＠ sdu ．edu ．cn ） Second Order Newton’s Method for Training Radial Basis Function Neural Networks １ １ ２ ３ １ ４ Cai Xun ，Chen Zhi ，Kanishka T y agi ，Y u Kuan ，Li Ziqiang ，and Zhu Bo １ （School of Comp ute r Sc ience and Technology ， Shandong Univ e rs ity ， J inan ２５０１０１） ２ （Dep artment of E lectr ical Eng inee r ing ， Univ e rs ity of Tex as at A rling ton ，A rling ton ， USA ７６０１９） ３ （School of M ate r ial Sc ience and Eng inee r ing ， Shandong J ianz hu Univ e rs ity ， J inan ２５０１０１） ４ （School of M ate r ials Sc ience and Eng inee r ing ， Shandong Univ e rs ity ， J inan ２５００６１） Abstract 　 A hy brid tw o ‐step second‐order batch approach is presented f or constructing and training radial basis f unction （RBF ） neural netw orks ．U nlike other RBF neural netw ork learning algorithms ， the propo sed paradigm uses New ton ’s method to train each set of netw ork parameters ， i ．e ． spread parameters ， mean vector parameters and w eighted distance measure （DM ） coefficient s and output w eight s parameters ．For efficiently calculating the second ‐order equations of New ton ’s method ，all the optimal parameters are f ound out using orthogonal least squares （OLS ） w ith the multiply optimal learning f actors （M OL Fs ）f or training mean vector parameters ．T he simulation result s of the