一种非常数型径向基函数神经网络学习算法研究.pdfVIP

第14卷第2期 模式识别与人工智能 Vd14No．2 PR＆AI 2001 2001年6月 June 一种非常数型径向基函数神经网络学习算法研究 鲍鸿 (广尔工业大学自动化学院广州510090) 黄心汉 (华中科技大学控制科学与』=程系武汉430074) 李锡雄 (广东工、世大学自动化学院广州5104)90) 摘要提出一种新的非常数犁径向基函数神经网络的最优聚类学习算法，并将该算法应用于函数逼近和系统辨 识仿真结果表明本文提出的学习箅法具有聚娄的快速收敛性和网络构造的简练性 关键词神经网络．学习算法．RBF神经网络 中图法分类号TPl8 引 言 阶次越高，所用节点的个数越少；非线性程度越高， 逼近效果越明显．但是，当连接权多项式阶数较高 时，网络的构造和运算将变得极为复杂，而丧失了简 径向基函数(RBF)神经网络是一种品质优良的 化网络的本意因此，在一般情况下，非常数型RBF 新型前向神经网络，它的隐含层单元为取径向基函数 网络的连接权函数取一次或二次多项式形式，考虑 的局部感受单元．已经证明RBF网络同BP网络一样 到推理和陈述的不失一般性，本文中仍以一般多项 可在任意精度下逼近任意的非线性函数，且不存在局 式形式进行问题描述 部最小问题…近年来RBF神经网络受到模式识别、 一个归一化的多项式型RBF网络描述如下： 图像处理和控制等领域研究人员的广泛关注． = 非常数型RBF网络是典型RBF网络的一个推 x—c，lI) ∑g，(x)·“(}I 广它将典型RBF网络的连接权从常数推广到网络Y=‘Li———————～， (1) 输入的任意函数形式在一般情况下，此函数取多项 ∑p，(1『xj：1) I=l 式形式将典型RBF网络推广到非常数型的最大优 点是在同等精度条件下，可用较少的节点构造网络， 达到较高的非线性函数逼近效果，从而最大限度地 发挥网络本质非线性的特点，简化网络结构如果从 空间的角度分析这个问题，我们可以认为典型RBF 隐层结点到输出结点之间的连接权函数．当取多项 网络相当于用一组平行于输入平面的超平面去逼近 式形式并令q为连接权函数多项式的最高次数时， 一个非线性曲面；而取一次多项式形式的非常数刊 g，(X)可写成 RBF网络相当于用一