径向基函数神经网络模型与学习算法.ppt

《径向基函数神经网络模型与学习算法.ppt》由会员分享，可在线阅读，更多相关《径向基函数神经网络模型与学习算法.ppt（16页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、径向基函数神经网络模型与学习算法 Still waters run deep.流静水深流静水深,人静心深人静心深 Where there is life,there is hope。有生命必有希望。有生命必有希望概述概述 p19851985年，年，PowellPowell提出了多变量插值的径向基函提出了多变量插值的径向基函数数(Radical Basis Function(Radical Basis Function，RBF)RBF)方法方法 p19881988年，年，Moody Moody和和DarkenDarken提出了一种神经网络提出了一种神经网络结构，即结构，即RBFRBF神经网络神经

2、网络pRBFRBF网络是一种三层前向网络网络是一种三层前向网络pRBFRBF网络的基本思想网络的基本思想 用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接(即不需要通过权连接)映射到隐空间 当RBF的中心点确定后，映射关系也就确定隐含层空间到输出空间的映射是线性的 2.5.1 RBF神经网络模型 p径向基神经网络的神经元结构p激活函数采用径向基函数 以输入和权值向量之间的以输入和权值向量之间的 距离作为自变量距离作为自变量 2.5.1 RBF神经网络模型p径向基神经网络结构径向基神经网络结构 2.5.1 RBF神经网络模型pRBF网络与BP网络比较：RBFRBF网络的输出是隐单元输出的

3、线性加权和，网络的输出是隐单元输出的线性加权和，学习速度加快学习速度加快 BPBP网络使用网络使用sigmoid()sigmoid()函数作为激活函数，这函数作为激活函数，这样使得神经元有很大的输入可见区域样使得神经元有很大的输入可见区域 径向基神经网络使用径向基函数（一般使用径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元域很小，因此需要更多的径向基神经元 2.5.2 RBF网络的学习算法 p学习算法需要求解的参数径向基函数的中心径向基函数的中心方差方差隐含层到输出层的权值隐含层到输出层的

4、权值 p学习方法分类（按RBF中心选取方法的不同分）随机选取中心法随机选取中心法自组织选取中心法自组织选取中心法有监督选取中心法有监督选取中心法正交最小二乘法等正交最小二乘法等2.5.2 RBF网络的学习算法p自组织选取中心学习方法 第一步，自组织学习阶段第一步，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，有导师学习阶段第二步，有导师学习阶段求解隐含层到输出层之间的权值。p高斯函数作为径向基函数2.5.2 RBF网络的学习算法p网络的输出网络的输出(网络结构如图网络结构如图2-212-21所示所示)p设设d d是样本的期望输出值，那么基函数的方差可是样本的期望输出值，那

5、么基函数的方差可表示为表示为:2.5.2 RBF网络的学习算法p自组织选取中心算法步骤自组织选取中心算法步骤1.1.基于基于K-K-均值聚类方法均值聚类方法求取基函数中心求取基函数中心（1）网络初始化。u随机选取 个训练样本作为聚类中心 。（2）将输入的训练样本集合按最近邻规则分组。u 按照 与中心为 之间的欧氏距离将 分配到输入样本的各个聚类集合 中。（3）重新调整聚类中心。u计算各个聚类集合 中训练样本的平均值，即新的聚类中心 ，如果新的聚类中心不再发生变化，则所得到的即为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2.2.求解方差

6、求解方差 RBFRBF神经网络的基函数为高斯函数时，方差可由下式求解：神经网络的基函数为高斯函数时，方差可由下式求解：u式中 为中所选取中心之间的最大距离。3.3.计算隐含层和输出层之间的权值计算隐含层和输出层之间的权值隐含层至输出层之间神经元的连接权值可以用最小二乘法隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下：直接计算得到，计算公式如下：2.5.3 RBF网络学习算法的MATLAB实现 函 数 名功 能newrb()新建一个径向基神经网络newrbe()新建一个严格的径向基神经网络newgrnn()新建一个广义回归径向基神经网络newpnn()新建一个概率径

7、向基神经网络pRBFRBF网络的网络的MATLABMATLAB函数及功能函数及功能2.5.3 RBF网络学习算法的MATLAB实现pnewrb()newrb()功能 建立一个径向基神经网络建立一个径向基神经网络格式 net=newrb(P net=newrb(P，T T，GOALGOAL，SPREADSPREAD，MNMN，DF)DF)说明 P P为输入向量，为输入向量，T T为目标向量，为目标向量，GOALGOAL为圴方误差，为圴方误差，默认为默认为0 0，SPREADSPREAD为径向基函数的分布密度，默为径向基函数的分布密度，默认为认为1 1，MNMN为神经元的最大数目，为神经元的最大数

8、目，DFDF为两次显示为两次显示之间所添加的神经元神经元数目。之间所添加的神经元神经元数目。2.5.3 RBF网络学习算法的MATLAB实现pnewrbe()newrbe()功能 建立一个严格的径向基神经网络建立一个严格的径向基神经网络,严格是指径向基严格是指径向基神经网络的神经元的个数与输入值的个数相等。神经网络的神经元的个数与输入值的个数相等。格式 (1)net=newrb(P(1)net=newrb(P，T T，SPREAD)SPREAD)说明 各参数的含义见各参数的含义见NewrbNewrb。2.5.3 RBF网络学习算法的MATLAB实现p例例2-4 2-4 建立一个径向基神经网络，对非线性函数建立一个径向基神经网络，对非线性函数y=sqrt(x)y=sqrt(x)进行逼近，并作出网络的逼近误差曲线。进行逼近，并作出网络的逼近误差曲线。2.5.3 RBF网络学习算法的MATLAB实现p例例2-42-4误差曲线和逼近曲线误差曲线和逼近曲线小结小结p背景背景pRBFRBF网络的基本思想网络的基本思想pRBFRBF神经网络模型神经网络模型p高斯函数高斯函数pRBFRBF网络的学习算法网络的学习算法pRBFRBF网络的网络的MATLABMATLAB实现实现pRBFRBF网络的应用网络的应用