基于數(shù)學原理的神經(jīng)網(wǎng)絡-資料下載頁
2025-01-08 17:18本頁面
【正文】 ⑴ 初始化。選擇 M個互不相同的向量作為初始聚類中心： 。 )0(,),0(),0( M21 ccc ?⑵ 計算輸入空間各樣本點與聚類中心點的歐式距離 )( kjp cX ? M,2,1,2,1 ?? ?? jPp ； 廣義 RBF網(wǎng)絡數(shù)據(jù)中心的聚類算法 24 Ppkj jpjp ,2,1)(min)(* ???? ，cXX⑶ 相似匹配。令 代表競爭獲勝隱節(jié)點的下標，對每一個輸入樣本 根據(jù)其與聚類中心的最小歐式距離確定其歸類 ，即當 *j)(* pj XpX時， 被歸為第 類，從而將全部樣本劃分為 M個子集： ，每個子集構(gòu)成一個以聚類中心為典型代表的聚類域。 pX *j)(,),(),( M21 kkk UUU ?25 ⑷ 更新各類的聚類中心。對各聚類域中的樣本取均值，令 Uj(k)表示第 j個聚類域， Nj 為第 j 個聚類域中的樣本數(shù)，則 ⑸ 將 k值加 1，轉(zhuǎn)到第⑵步。 重復上述過程直到的改變量小于要求的值。 ????)(1)1(kljjNkUXXc26 各聚類中心確定后，可根據(jù)各中心之間的距離確定對應徑向基函數(shù)的擴展常數(shù)。令 ijij ccd ?? m i n則擴展常數(shù)取 jj dδ ??λ為重疊系數(shù)。 27 利用聚類算法得到各徑向基函數(shù)的中心和擴展常數(shù)后，混合學習過程的第二步是用有監(jiān)督學習算法得到輸出層的權(quán)值。 ?最小均方算法 (LMS) ?偽逆法直接計算 ?梯度下降算法 28 隱層輸出矩陣為 RBF網(wǎng)絡的待定輸出權(quán)值為 網(wǎng)絡輸出向量為 ],. .. ,[ 21 M?WdWΦ ??MPpj ?? ][? ?Φ29 W可用 的偽逆 求出 Φ? ?Φ?dΦW ?? ?T1T ?)??(? ΦΦΦΦ ?? ?30 RBF網(wǎng)絡與多層感知器的比較： ① 隱層數(shù) ②隱層和輸出層神經(jīng)元模型 ③隱層和輸出層激活函數(shù) ④激活函數(shù)的自變量 —— 基 ⑤全局逼近與局部逼近
畢業(yè)設計相關推薦
鄂ICP備17016276號-1