基于數(shù)學原理的神經(jīng)網(wǎng)絡-wenkub.com
2025-12-26 17:18 本頁面
【正文】 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值。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，轉到第⑵步。選擇 M個互不相同的向量作為初始聚類中心： 。一般來說，樣本密集的地方中心點可以適當多些，樣本稀疏的地方中心點可以少些；若數(shù)據(jù)本身是均勻分布的，中心點也可以均勻分布，總之，選出的數(shù)據(jù)中心應具有代表性。 ⑶各徑向基函數(shù)的擴展常數(shù)不再統(tǒng)一，其值由訓練算法確定。 19 廣義 RBF網(wǎng)絡的基本思想是： 用徑向基函數(shù)作為非線性變換函數(shù)，構成隱層空間。 17 設有一組函數(shù)構成的向量 ，將 N維空間的 P個點映射到 M維 φ空間 (MN) ，如果在該 M維 φ空間存在 M維向量 W，使得 ? ?)(,),(),()( 21 XXXX M???? ?????????21,0)(,0)(FXXWFXXW??TT則由線性方程 WTφ(X)=0確定了 M維 φ空間中的一個分界超平面。 15 RBF網(wǎng)絡 若 N維輸入樣本空間的樣本模式是線性可分的，總存在一個用線性方程描述的超平面，使兩類線性可分樣本截然分開。 正則化理論表明，當映射函數(shù) F(X)的基函數(shù)為 Green函數(shù)時，可保證函數(shù)的光滑性。 4 選擇 P個基函數(shù)，每一個基函數(shù)對應一個訓練數(shù)據(jù)，各基函數(shù)的形式為 )( pXX ??, p=1, 2, …, P () 基于徑向基函數(shù)技術的插值函數(shù)定義為基函數(shù)的線性組合 ????Ppppw1)()( XXXF ?() Xp 5 PPppPpPpppPpppdwdwdw????????????1212111)()()(XX
畢業(yè)設計相關推薦
鄂ICP備17016276號-1