广义网络在数据中心监督学习算法中应用与优化.pdfVIP

table{border-collapse:collapse;}table,th,td{border:1pxsolid#000;}

8.1.3.5广义RBF网络数据的监督学

习算法

关于数据的监督学习算法，最一般的情况是对输出层各权向量赋小随机数并进行归一

化处理，隐节点RBF函数的、扩展常数和输出层权值均采用监督学习算法进行训练，

即所有参数都经历一个误差修正学习过程，其方法与第3章采用BP算法训练BP网络的

原理类似。下面以单输出RBF网络为例，介绍一种梯度下降算法。

定义目标函数为：

$$E=\frac{1}{2}\sum_{i=1}^{P}e_{i}^{2}\tag{8.21}$$

式中，P为训练样本数；e为输入第i个样本时的误差信号，定义为：

i

$$e_{i}=d_{i}-\mathbf{F}(\mathbf{X}_{i})=d_{i}-\sum_{j=1}^{M