收藏本站
《武汉科技大学》 2002年
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量的径向基函数神经网络的训练算法

边后琴  
【摘要】: 径向基函数神经网络是一种结构简单、训练简洁、应用广泛的人工神经网络。网络性能好坏的关键在于中心的选取。中心的数量即隐层节点数量选得太多,容易导致过拟合,使得推广能力下降;中心数选得太少,所学习的网络对样本中包含的信息学习得不充分,也会使得推广能力下降。近年来,已经发展了多种中心选择算法,但是这些算法在推广能力方面存在一定的缺陷,并且这些中心选择算法大多数用于非线性函数的逼近学习中。在实际应用中,尤其是在解决分类问题的应用中,RBF网络的优势在于用线性学习算法来完成以往非线性学习算法所做的工作,同时又能保持非线性算法的高精度等特性。因此,它是一种既具有线性算法收敛快的特性,同时又拥有非线性算法所具有的准确率高等特点的神经网络。但是,在解决较高维数数据分类问题时,用以往的中心选择方法确定的网络在推广能力上的缺点很明显。支持向量机是一种基于VC理论的创造性学习方法,它能够使期望风险最小化,具有较强的推广能力。所以,挖掘这种学习机模型与传统的学习机模型之间的差异和相似之处,来提高传统学习模型的推广能力,同时拓宽新模型的应用范围,这将具有非常重要的意义。 本文主要由两部分组成: 第二章首先比较了在处理线性分类问题方面SVM方法和传统的单层感知器之间的差异;然后通过详细阐述非线性SVM方法,得出非线性SVM方法所产生的决策函数类似于传统的RBF网络分类器的结论;接着具体地论述了本文提出的RBF网络的中心概念,通过两个特殊例子说明对于高度非线性分类样本,可以找到非线性函数将样本映射到特征空间,在特征空间中可以找到超平面对样本进行线性分割,并用传统的选中心方法即K-均值法得到的RBF网络对这种少量的非线性样本进行分类,实验表明对于这样高度非线性样本得到的测试精度很低,这进一步直观地证明了本文RBF网络中心选择算法的优势;最后基于这种观点提出了一种径向基函数网络训练算法。 第三章通过对几种模式识别数据的实验,表明对于非线性分类数据,采用非线性支持向量方法产生支持向量集,然后用支持向量集作为网络的中心集,用最小二乘的方法训练权值来构造RBF网络的方法,能够得到具有较好的推广能力网络的结论。
【学位授予单位】:武汉科技大学
【学位级别】:硕士
【学位授予年份】:2002
【分类号】:TP183

【相似文献】
中国期刊全文数据库 前10条
1 袁小芳,王耀南,孙炜;基于遗传算法的模糊支持向量网络控制[J];信息与控制;2005年02期
2 周水生,周利华;训练支持向量机的低维Newton算法[J];系统工程与电子技术;2004年09期
3 杨路明,李丽;一种加速大规模SVM训练的新思路[J];微机发展;2004年12期
4 徐彤阳,姚跃华,朱志勇;一种基于支持向量机的图像边缘检测方法[J];微机发展;2005年01期
5 王晓丹,王积勤;支持向量机训练和实现算法综述[J];计算机工程与应用;2004年13期
6 安金龙,王正欧;预抽取支持向量机的支持向量[J];计算机工程;2004年10期
7 杨敏,张焕国,傅建明,罗敏;基于支持向量数据描述的异常检测方法[J];计算机工程;2005年03期
8 朱家元,吴伟,张恒喜,董彦非;一种新型的多元分类支持向量机[J];计算机工程;2003年17期
9 胡国胜;支持向量机算法及应用[J];现代电子技术;2005年03期
10 王晓丹,王积勤;支持向量机研究与应用[J];空军工程大学学报(自然科学版);2004年03期
中国重要会议论文全文数据库 前10条
1 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集(上册)[C];2004年
2 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
3 陈念贻;陆文聪;刘旭;丁益民;包新华;姚莉秀;李国正;;支持向量机算法在冶金和材料科学中的应用[A];2004年全国冶金物理化学学术会议专辑[C];2004年
4 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
5 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
6 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算(机)化学学术会议论文摘要集[C];2011年
7 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
8 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
9 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
10 张军;;支持向量机方法在地下水位干扰排除中的初步应用[A];2007年地震流体学术研讨会论文摘要集[C];2007年
中国重要报纸全文数据库 前10条
1 课题主持人 李心丹 课题协调人 上海证券交易所 施东晖 傅浩 课题研究员 宋素荣 查晓磊 宾红辉 张许宏 郭静静 黄隽 南京大学工程管理学院;内幕交易与市场操纵的行为动机与判别监管研究[N];中国证券报;2007年
2 李水根;计算机详解配伍与药效关系[N];健康报;2005年
3 清华大学 苏光大;非接触式人脸识别技术[N];计算机世界;2006年
4 YMG记者 李仁 通讯员 曲华明 孙运智;我市九项目进入省“盘子”[N];烟台日报;2010年
5 上海大学理学院教授、副院长 陆文聪;酷爱化学 孜孜以求[N];中国化工报;2006年
6 ;选择合适的数据挖掘算法[N];计算机世界;2007年
7 周颖;王米渠与中医心理学[N];中国中医药报;2006年
8 记者 耿挺;蛋白质功能算出来[N];上海科技报;2007年
9 记者 张云普通讯员 全攀峰 安强强;大庆物探深度域地震资料岩性解释技术获得五大突破[N];中国石油报;2008年
10 本报记者 冯治恩;敢与“雷公”试比高[N];铜川日报;2008年
中国博士学位论文全文数据库 前10条
1 安金龙;支持向量机若干问题的研究[D];天津大学;2004年
2 范昕炜;支持向量机算法的研究及其应用[D];浙江大学;2003年
3 杨强;支持向量机的模型及其在图像分割中的应用[D];重庆大学;2004年
4 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
5 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年
6 栾锋;支持向量机(SVM)和径向基神经网络(RBFNN)方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年
7 孙薇;市场条件下抽水蓄能电站效益综合评价及运营模式研究[D];华北电力大学(河北);2007年
8 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年
9 朱燕飞;锌钡白回转窑煅烧过程智能建模研究[D];华南理工大学;2005年
10 田英杰;支持向量回归机及其应用研究[D];中国农业大学;2005年
中国硕士学位论文全文数据库 前10条
1 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年
2 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年
3 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年
4 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年
5 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年
6 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
7 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年
8 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
9 边后琴;基于支持向量的径向基函数神经网络的训练算法[D];武汉科技大学;2002年
10 王奇安;基于广泛内核的CVM算法研究及参数C的选择[D];南京航空航天大学;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026