RBF网络EPRLLAF学习算法研究.pdfVIP

V01．3l 第3l卷专辑 南昌大学学报(理科版) suppl 0f 2007年7月 JoumalN鲫cIIangUnive璐畸(NatllralScien∞) Jul．2007 文章编号：1006一04“(2007)专辑一008l—03 RBF网络EPRL—LAF学习算法 王春玲1，薛必翠2 (1．德州学院物理系，山东德州253023；2．济南大学控制科学与工程学院，山东济南250022) 摘要：分析了RBF神经网络的结构特点，概括三种基本的学习算法的不足，结合次胜者受罚竞争学习和李亚普诺 夫稳定性定理给出了一种新的学习算法，并通过对He肋it多项式的仿真比较，验证了这种方法的有效性。 关键词：径向基函数神经网络；次胜者受罚学习；李亚普诺夫稳定性定理 中图分类号：11P183 文献标识码：A EPRL—LAF学习算法。该方法的具体学习步骤如 1988年，Br00mhead和【Dwe…以及M00dy和‘ B8SisFunction Darken【21最早将径向基函数(Radial 下： —RBF)用于神经网络设计。RBF网络是一种三层 (1)网络初始化。令网络的初始中心个数为O， 前向网络。输入层由信号源节点组成，采用线性函 并给定距离门限值P，反学习步长叼，和正学习步长 数；中间是隐层，激发函数为径向基函数；输出层是 叼。，且应满足0仉§叶。s叼1。 一个线性组合器，输出是各隐层单元输出的加权和。 (2)取一个输入样本矢量x，如果是第一次进入 RBF网络从输入到输出的映射是非线性的，而网络 循环，则把它直接作为网络的中心，并转(5)，进行 的输出对权而言是线性的。这样网络的权就可由线 权值修正。否则求出它与全部中心节点的距离 性方程组直接求解或用RLS方法递推计算。从而大 si≤P，P是已有的中心节点 也=lIx—C‘II(1 大加快学习速度并避免局部极小问题。 的数目) (1) 在RBF网络中，输出层和隐层所完成的任务是 (3)从全部距离中找出距离最小和距离次小 不相同的，因而它们学习的策略也不相同。输出层 者。 是对线性权值进行调整，采用线性优化策略；而隐层 畋=，呶M] (2) 是对径向基函数的参数进行调整，采用非线性优化 策略。因而学习一般分两个阶段进行。首先确定隐 dt亍。s熙一。心] (3) 第矗个和第Z个中心分别为获胜单元和次胜单元。 层RBF的数量、中心值和宽度，然后确定输出权值。 (4)比较以与距离门限值p，如果大于门限值， RBF网络常用学习算法有K一均值聚类算 则增加一个中心，其值就是该输入矢量；如果小于门 法【2。3J、正交最小二乘法、梯度算法。这些方法必 限值则按照下式来进行中心修正： 须获得所有可能的样本数据，不能用于实际情况，并 且学习前输人数据的中心要求是确定的，从而增加 C。(t+1)=CI(‘)+7。[X—CI(t)] 了解决问题的难度。对于权值的确定，目前最常用