动态K-均值聚类算法在RBF神经网络中心选取中的应用概要.docx
版权申诉
142 浏览量
2022-07-07
11:01:45
上传
评论
收藏 351KB DOCX 举报
83
TECHNOLOGY 引言
径向基函数神经网络 (RBFNN 以其简单的网络结 构、快速的学习方法、较好
的推广能力,已经广泛地应 用于许多领域,特别是模式识别和函数逼近等领域。然 而,
如何有效地确定 RBF 神经网络的网络结构和参数, 至今没有系统的规律可循。在
RBF 神经网络中需要确定 的参数包括隐含层节点数、隐含层基函数的中心值和宽
度、隐含层到输出层的连接权值。目前,隐含层节点数 主要依靠经验来选取。而根
据 moody 准则,神经网络的 设计应该在满足精度要求的情况下有最小的结构,以保
证网络的泛化能力 [1]。
由于隐含层基函数中心值的选取对网络的函数逼 近能力有很大的影响,目前最
常用的确定隐含层中心值 的方法是 K-均值聚类法。由于 K-均值聚类法的聚类过程
一般能够根据输入向量比较准确地确定聚类数和相应的 聚类中心,因此,如果在已知
全部输入向量时使用该方 法能够比较精确地确定网络结构。但是,它要求实现确 定
全部输入向量和指定聚类中心的数目,这在实际应用 中很难办到。而动态 K-均值聚
类方法能够根据输入来实 时地确定网络的中心。因此,本文提出动态均值聚类方 法,
对一般的 K-均值方法进行改进。
资源评论
