基于-不敏感准则和结构风险的鲁棒径向基函数神经网络学习.pdfVIP

第 34 卷第 6 期 电 子 与 信 息 学 报 Vol.34No.6 2012 年 6 月 Journal of Electronics Information Technology Jun. 2012 基于ε- 不敏感准则和结构风险的鲁棒径向基函数神经网络学习 桑庆兵*① 邓赵红② 王士同② 吴小俊① ①(江南大学物联网工程学院 无锡 214122) ②(江南大学数字媒体学院 无锡 214122) 摘 要：该文提出一种新的基于 ε- 不敏感准则和结构风险的径向基神经网络(RBF-NN)建模方法。通过引入 ε- 不 敏感准则和结构风险项，把 RBF-NN 训练转化为线性回归和经典的二次规划优化问题。和传统的基于最小平方误 差准则的 RBF-NN 训练算法相比，提出的新方法对小样本数据集和噪声数据显示出较好的鲁棒性，具有较好的泛 化能力。通过模拟和真实数据集进行仿真试验，上述优点得到了有效验证。 关键词：径向基函数神经网络建模； ε- 不敏感准则；结构风险；鲁棒性 中图分类号：TP183 文献标识码： A 文章编号：1009-5896(2012)06-1414-06 DOI: 10.3724/SP.J.1146.2011.01045 ε- Insensitive Criterion and Structure Risk Based Radius-basis-function Neural-network Modeling ① ② ② ① Sang Qing-bing Deng Zhao-hong Wang Shi-tong Wu Xiao-jun ① (School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China) ② (School of Digital Media, Jiangnan Unversity, Wuxi 214122, China) Abstract: An ε - insensitive criterion and structure risk based Radius-Basis-Function Neural-Network (RBF-NN) modeling method is proposed. By introducing ε - insensitive criterion and the item of structure risk, the RBF-NN learning is transformed into the linear regression and Quadratic Program (QP) optimization issue. Compared with the traditional least-square-criterion based RBF-NN training algorithms, the proposed method is much more robust to noise data and small size of datasets. Through the simulation experiments on the synthetic and real-word datasets, the above virtues are confirmed. Key words: Radius-Basis-Function Neural-Netwo