论文研究-一种基于改进k-means的RBF神经网络学习方法.pdf-其它代码类资源-CSDN下载

论文研究-一种基于改进k-means的RBF神经网络学习方法.pdf

所需积分/C币：14 2019-09-11 01:54:07 507KB .PDF
8

收藏
举报

针对传统RBF神经网络学习算法构造的网络分类精度不高，传统的k-means算法对初始聚类中心的敏感，聚类结果随不同的初始输入而波动。为了解决以上问题，提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法，消除聚类的敏感性，再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。
庞振,徐蔚鸿:一种基于改进 k-means的RBF神经网络学习方法 2012,48(11)163 k次迭代时的聚类中心为c(k),c2(k),…,c(k),相法是2范数下的最速下降法,相对于减聚类算法和应的聚类域为w(k),v2(k),…,WA)。 k- means算法,时间复杂度较低。因此,本文所提算法 (3)计算所有样木输入与聚类中心的距离的时间复杂度主要由减聚类算法的时间复杂度与 ‖-c(k)‖,i=1,2,…,h,j=1,2,…,N k- means算法的时间复杂度这两部分组成。而在k的 (4)对样本输入κ,按最小距离原则对其进行分值不确定时,减聚类算法的时间复杂度与 k-means算类:即当(X)=mil‖xX-c(k),=1,2,…,h时,x 法的时间复杂度是相当的,因此,本文所提算法的时间复杂度与O(2tkn)相当,即O(2×txk×n),其算法被归为第;类此时x∈w(k)。的效率还是比较高的。 (5)重新计算各类的新的聚类中心 C(k+1)= ∑x,;=1,2,…,h 实验结果以及分析 () 实验采用来自UCI数据集的Wine,Iris, Glass 式中,N为第i个聚类域w(k)中包含的样本数 Idcntification Livcr Disordcrs FH Pima Indians Diabetes (6)如果c(+1)≠c(k),转到步骤(3),否则聚类五个数据集作为测试。UCI数据库是一个专门用于结束,转到步骤(7)。测试常用的分类算法的数据斥,库中的数据都有确 7)根据各聚类中心之间的距离确定各隐节点定的分类因此可以用分类准确率直观地表示算法的扩展常数。隐节点的扩展常数取=M,其中以的质量。本文各数据集信息如表所示。实验环境: 为第个数据中心与其他最近的数据中心之间的距CPU主频为260GHz,1GB内存,160GB硬盘,Win 离,即d=min|l-c(川,k称为重叠系数,这里取 dows XP操作系统,仿真软件 MATLAB70 为了验证算法的效果,首先将这些数据打乱顺隐节点的数据中心c和扩展常数σ确定了,输出序,然后利用改进的RBF神经网络学习算法对其进权矢量w=[ww2,…,w用梯度下降法训练得到。行分类,并获得数据中心,最后再用梯度下降法对权 4定义网络总误差为值进行训练。所用到的参数如下:%=04,%=06,4 E (a(x)-y(x,) e(7)6=05,重叠系数:=1,梯度法学习率:m=001,最后训练出来的网络的隐节点9个,输出节点1个。改式中,d(x)为对应于第j个输入训练样本的期望输进后的RBF神经网络学习算法与单独的梯度下降出,y(x)为网络的实际输出。采用梯度下降法确定法, k-means和梯度下降法混合算法进行对比,实验结权值w;。果参见表2。 FE CE 表1实验用数据集的基本情况 ∑a=2eo(x) 数据集名称样本数目测试样本数属性数目分类数目权值w的修正公式为 W1=W-7△w1,=1,2,…,c (9) Glass Identification 160 10 6 式中,(x)为隐层基函数的输出,为学习率,在这 Liver disorders 里取n=0.01。 Pima Indians diabete 700 8 34算法时间复杂度分析表2各种方法对数据分类的分类正确率 r(%) k- means算法是种基于划分的聚类算法,其时数据集名称梯度下降法κ- means+梯度下降法本文算法间复杂度为O(tn),即O(×kxn),其中n是数据的 79.487 87.180 92.308 总数,k是聚类的个数,是算法循环的次数,通常有 80.000 88.000 94.000 k<<n,t<<n,因此,在给定了k的值时,k- means算法 Glass Identification 77.778 85.185 87.037 的效率很高。当k的值不确定时,判断一个未知数据 Liver disorders 81.818 90.909 94.545 Pima indians diabetes 83.824 94.118 95.588 集的划分个数通常是很困难的,k个初始点的选择对最终的聚类结果影响很大,这时,其时间复杂度将比k值从实验结果可看出,改进后的RBF神经网络学确定时的时间复杂度高,×k的值就相当于n的值。习算法明显比单独使用梯度下降法,梯度下降法与减聚类算法的计算量由样本数目决定,与所考- means相结合方法的分类正确率高。虑问题的维数无关,时间复杂度为O(n2)。梯度下降 (下转184页)

...展开详情

论文研究

试读 3P 论文研究-一种基于改进k-means的RBF神经网络学习方法.pdf