RBF神经网络模型与学习算法.pdfVIP

2.5.2 RBF 网络的学习算法 自组织选取中心学习方法  第一步，自组织学习阶段 无导师学习过程，求解隐含层基函数的中心与方差；  第二步，有导师学习阶段 求解隐含层到输出层之间的权值。 高斯函数作为径向基函数 1 2 R(x c )=exp(- x c ) p i 22 p i 2.5.2 RBF 网络的学习算法 网络的输出(网络结构如图2-21所示 ) h 1 2 y =w exp(- x c ) j=1,2, ,n j i=1 ij 22 p i 设d是样本的期望输出值，那么基函数的方差 可表示为 : 2 1 m   d  y c P j j i j 2.5.2 RBF 网络的学习算法 自组织选取中心算法步骤 1.基于K-均值聚类方法求取基函数中心 （1）网络初始化。 随机选取 个训练样本作为聚类中心c (i 1,2, , h) 。 h i （2）将输入的训练样本集合按最近邻规则分组。 x c x  按照 与中心为 之间的欧氏距离将 分配到输入样 p i p 本的各个聚类集合 (p 1,2, ,P ) 中。 p （3）重新调整聚类中心。  计算各个聚类集合 中训练样本的平均值，即新的聚类 p c c 中心 ，如果新的聚类中心不再发生变化，则所得到的 i i 即为RBF神经网络最终的基函数中心，否则返回（2）， 进入下一轮的中心求解。 2.5.2 RBF 网络的学习算法 2.求解方差 RBF神经网络的基函数为高斯函数时，方差可由下式求解： c i max ,i 1,2, h 2h 式中cmax 为中所选取中心之间的最大距离。 3.计算隐含层和输出层之