联系QQ:

2181264433

产品中心
联系我们
联系:张女士
微信:扫一扫右侧二维码
QQ :2181264433
邮箱:2181264433@qq.com
地址:浙江省-嘉兴市-南湖区
网址:www.mhslogic.com
您当前位置:首页 > 产品中心 >  神经网络 > 正文 神经网络
MATLAB代做|FPGA代做|RBF网络
MATLAB代做|FPGA代做|RBF网络
详细介绍:

径向基函数(RBF)网络已经成功地应用于模式识别、函数逼近信号处理、系统建模和控制等领域。RBF网络的广泛应用,是与其具有的网络结构简单、非线性逼近能力强、收敛速度快以及全局收敛等优点密不可分的。

对于RBF神经网络的学习算法,关键问题是隐层神经元中心参数的合理确定。在已有的常用学习算法中,中心参数要么是从给定的训练集样本中按照某种方法直接选取,要么采用聚类的方法进行确定。实际应用表明,这些学习算法均有不足之处,使之应用范围受到限制。如正交优选法,其缺点是隐层神经元中心的取值是训练集样本中的数据,这在多数情况下难以反映系统的真正映射关系,且在中心点的优选过程中会出现病态现象,导致训练失败。再如Moody和Darken算法,其缺点是无法合理地确定隐层神经元的数目,所得到的中心值也未必是合理的。

本文拟采用最近邻聚类和可变速率的最小均方(LMS)算法相结合的方法来给出RBF网络的学习算法。其中用最近邻聚类来确定径向基函数的中心。

RBF神经网络结构

最基本的RBF神经网络的构成包括三层,分别为输入层、隐层(中间层)和输出层。其中输入层由一些源点(感知单元)组成,它们将网络与外部环境连接起来,仅起到数据信息的传递作用,对输入信息不进行任何变换;隐层神经元的核函数(或称作用函数)取为径向基函数,对输入信息到隐层空间之间进行非线性变换,通常具有较高的维数;输出层是线性的,为输入层的激活模式提供响应。


收缩

扫一扫,关注我们