[管理学]RBF网络原理及应用.pptVIP

RBF网络原理及应用 1 RBF网络介绍 1.1 RBF网络原理 1.2 正则化RBF网络原理及算法 1.3 广义RBF网络原理及算法 2 RBF网络应用 2.1 BPNN和RBFNN的函数逼近仿真 2.2 RBFNN模型在多元非线性回归中的应用 1.1 RBF网络原理 1.1 RBF网络原理 径向基函数网络结构 （1）三层前向网络 （2）输入层：输入 隐层：实现输入层到隐层的非线性 变换；激励函数为径向基函数。 输出层：激励函数为线性函数，实现 隐层输出的加权和。 1.1 RBF网络原理 ＲＢＦ网络的数学模型 　径向基函数：　　　　　，其中　　　　　　　　 　基函数　　为非线性函数，　　为　　的中心，　为样本输入。 　最常用的径向基函数为高斯函数。 　　　　　　　　　 　　　　　　　　　　　　 1.1 RBF网络原理 1.1 RBF网络原理 ＲＢＦ网络的数学模型 　输出层是对隐层输出进行加权求和。 　因此ＲＢＦ网络的数学模型为： 　　　　　　　　　　　　　　　　　　　 　 　其中，　　为隐层到输出层的权值。 1.2 正则化RBF网络原理及算法 正则化RBF网络原理 （１）隐节点数＝输入样本数 （２）径向基函数中心：将所有输入样　　　　　　　　　　　　 　　本设为径向基函数的中心 （３）扩展常数：各径向基函数取统一　　　　 　　的扩展常数。 　　因此，在正则化ＲＢＦ网络中需要确定的参数为扩展常数和从隐层到输出层的各连接权值 1.2 正则化RBF网络原理及算法 正则化RBF网络算法 （１）扩展常数的确定 　　　　　　　　　　　　　　　　　　　 　　　　 其中，　　为样本间最大距离；Ｐ为样本数目。 （２）权值的确定采用最小均方算法（ＬＭＳ） 　　　 1.2 正则化RBF网络原理及算法 正则化RBF网络特点： 可以以任意精度逼近任意多元连续函数 最佳逼近特性 正则化网络得到的解是最佳的。即能同时满足对样本的逼近误差和逼近曲线的平滑性。 1.3 广义RBF网络原理及算法 空间1 　　　空间2 不易解决问题 易解决问题 1.3 广义RBF网络原理及算法 广义ＲＢＦ网络的基本思想 　 1.3 广义RBF网络原理及算法 RBF解决异或问题 1.3 广义RBF网络原理及算法 RBF解决异或问题 1.3 广义RBF网络原理及算法 与正则化ＲＢＦ网络相比，广义ＲＢＦ网络有以下特点： 1.3 广义RBF网络原理及算法 广义ＲＢＦ网络的设计： 1.3 广义RBF网络原理及算法 广义ＲＢＦ网络的算法 2 RBF网络应用 2.1 BPNN和RBFNN的函数逼近仿真 以函数 为例进行逼近，函数图象为： 2.1 BPNN和RBFNN的函数逼近仿真 （1）采样。 采样点为0:0.1:5，即从0开始每隔0.1采样一直至5，把其作为输入样本.然后计算其相对应的函数值，把其作为目标样本。 2.1 BPNN和RBFNN的函数逼近仿真 从图中可看出，RBF网络比BP网络快102 -104倍，且能达到更好的精度。 2.1 BPNN和RBFNN的函数逼近仿真 2.1 BPNN和RBFNN的函数逼近仿真 2.1 BPNN和RBFNN的函数逼近仿真 （5） 同（1）的采样频率再产生一组新的样本，用两种网络对新样本进行仿真并进行比较，即可得出它们对待逼近函数的整体逼近能力的差别。 2.1 BPNN和RBFNN的函数逼近仿真 （6）对原函数以0:0.1:5采样并加以标准差为0.3的高斯噪声产生的点作为训练样本，并分别用两种网络进行仿真，即可得出二者抗噪声干扰能力的差别。 2.1 BPNN和RBFNN的函数逼近仿真 结论 通过分析可以看出，RBFNN具有很好的函数逼近能力，并且收敛速度快，抗干扰能力较强;它还具有唯一最佳逼近点的优点. 由于RBFNN输出与网络的连接权值是线性关系，这使估计方法简化，避免学习中反复迭代过程，RBFNN收敛速度比改进的BPNN快很多，并且RBFNN比BPNN的稳定性更好。总而言之，RBFNN具有结构简单、训练速度快、稳定性好、诊断精度高等优点。 2.2 RBFNN模型在多元非线性回归中的应用 某公司某种产品的生产成本y依赖于原料来源的距离xl、该产品产量x2，下表中的数据来自某公司的12个生产厂商。 2.2 RBFNN模型在多元非线性回归中的应用 （1）用传统回归方法进行分析。