径向基函数神经网络及其在数据挖掘中的应用分析-radial basis function neural network and its application in data mining.docxVIP

中文摘要Broomhead 和Lowe 于 1988 年提出了 RBF 神经网络。由于泛化能力强、结 构简单、算法简便， RBF 神经网络一经提出就受到了很多研究者的注意。历经 10 余年的研究和应用， RBF 神经网络已经比较成熟，并己成功的运用于函数逼 近、系统识别、时间序列预测、语音识别、自动控制、数据挖掘等许多领域。本文首先在回顾 RBF 网络的发展简史、网络结构和基本算法的基础上，总 结了关于阻F 网络设计的关键问题一一隐结点选择和网络泛化能力改进的基本 技术方法.详细介绍了正交化最小二乘 (OLS) 学习算法。然后，在分析了整批次学习算法和在线学习算法各自的优缺点之后，本文以 在线学习算法 RANE盯为基础，针对 RANEKF 算法的不足，结合整批次算法的 优点，提出了更为有效的混合在线学习算法(HSLA).HSLRBF的主要改进包 括: (1)用 K-中心聚类法初始建立网络结构，能更充分的利用现存学习样本;(2) 提出结合整批次算法优点的小批次在线学习策略，降低了个别噪声污染较重的学 习样本对学习过程的影响，使算法更加强壮;(3)提出了对于大规模的应用问题 可以采用最小二乘法以降低计算复杂度的建议;(4)提出了发现和合并作用相似 隐节点机制，使网络可以获得最优的结构。最后，本文介绍了神经网络的一个主要应用领域一一数据挖掘的概况.在介 绍了数据挖掘的基本概念、分类、应用领域、主要技术方法之后。本文分析了 HSLRBF 应用于数据挖掘领域的前景。并通过一个典型的分类问题的实验证实了 HSLRBF 用于数据挖掘问题的良好性能.关键词z径向基函数神经网络 (RBFNN) ，混合在线学习算法(HSLA)， 数据挖掘ABSTRACTBroomhead and Lowe exploited theωe .of radial basis 如且cti.on in the design .of neural netw.orks earliest in 1988. Once were pr.op.osed，Radi必 Basis Functi.on 但BF) neural netw.orks have drawn much attenti.on due to their g.o.od generalizati.on ab丑ity and simple netw.ork s回cture 也就 av.oids unneces能ry and len目1y calculati.on as∞mp缸ed t.o .0由er neural netw.orks. Have been studied and exanl?ned in many applica加nsf.orm.ore 往回n 10 years，RBF neural netw.o汰s have bec.ome much mature. And 也ey have been successfullyωed 姐 manyarωs，such as functi.on appr.oximati.on， system iden往氢邵阳n，位 ne series predicti.on，s严部挂 F剧:emcl黯ificati.on，aut栅蜡ed c.ontrol，and data m画同.Firstly，也is 也esis j，∞ks b也k its brief de哨量。pisg 益ist.ory，basic n统宵。 -k: struc恼re and basic training alg.orithm. Then， main tecbniques and methods f.or hidden ne田.on selccti.on and generalizati .on abilìty 加pr.ovement are disc也就也有hich is 也e I王.ey t.o RBFnetw.ork 由ucture design. OLS alg.or恤m was introduced in detail 讪也isseCHon-Scc.ondly，也emeritsand 也ortωm坦事S .ofhatch 1，昭垣ngand s吨口号ntialle缸挝ng were analyzed. On the basi鸣。fanaly垣ngs叫uentiall巳arning alg.ori血mRANEKF，也e th臼is pEOPOEE咀 a m.ore efficient Hybrid Sequential Le缸挝ng Alg.ori也m. HSLRBF has.overc.ome 也e flaw .of RANEKF and admitted merits o