基于参数优化的RBF神经网络结构设计算法

doi:10.12068/j.issn.1005-3026.2020.02.005

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (2): 176-182.DOI: 10.12068/j.issn.1005-3026.2020.02.005

基于参数优化的RBF神经网络结构设计算法

翟莹莹，左丽，张恩德

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2019-03-11 修回日期:2019-03-11 出版日期:2020-02-15 发布日期:2020-03-06
通讯作者: 翟莹莹
作者简介:翟莹莹(1984-)，女，黑龙江望奎人，东北大学讲师，博士.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(51704063，51834004，51774076)；中央高校基本科研业务费专项资金资助项目(N171603015，N181604016)； “十三五”国家重点研发计划项目(2017YFB0304200).

Algorithm for Structure Design of RBF Neural Network Based on Parameter Optimization

ZHAI Ying-ying， ZUO Li， ZHANG En-de

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China;

Received:2019-03-11 Revised:2019-03-11 Online:2020-02-15 Published:2020-03-06
Contact: ZUO Li
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对径向基函数(RBF)神经网络的结构优化问题，提出了一种基于参数优化的RBF神经网络优化算法.首先，改进K-means++算法，使得聚类算法更精确，为RBF神经网络的隐含层节点找到一个合适的初始中心;然后，考虑数据分布和缩放因子选择的影响，采用方差度量法计算隐含层神经元基函数的宽度;最后，修正网络参数，提高网络的非线性逼近能力.实验结果表明，本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.

关键词: 径向基函数, 神经网络, K-means++算法, 核函数, 数据密度估计

Abstract: An algorithm based on parameter optimization(KV-RBF)is proposed for optimizing RBF(radial basis function) neural network structure. Firstly， the K-means++ algorithm， which makes the clustering algorithm more accurate， is improved to find an appropriate initial center for the hidden layer node of RBF neural network. Then， considering the influence of data distribution and scaling factor selection， the width of neuron basis function in the hidden layer is calculated by variance measurement. Finally， the network parameters are modified to improve the nonlinear approximation ability of the network. The experimental results show that the proposed RBF neural network based on parameter optimization has good approximation effect and generalization ability.

Key words: radial basis function(RBF), neural network, K-means++ algorithm, kernel function, data density estimation

中图分类号:

TP183

翟莹莹，左丽，张恩德. 基于参数优化的RBF神经网络结构设计算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 176-182.

ZHAI Ying-ying， ZUO Li， ZHANG En-de. Algorithm for Structure Design of RBF Neural Network Based on Parameter Optimization[J]. Journal of Northeastern University Natural Science, 2020, 41(2): 176-182.

参考文献

[1]Ferrari S，Bellocchio F，Puri V，et al.A hierachical RBF online learning algorithm for real-time 3-D scanner［J］.IEEE Transactions on Neural Networks，2010，21(2):275-285.
[2]Kokshenev I，Braga A P.An efficient multi-objective learning algorithm for RBF neural network ［J］.Neurocomputing，2010，73(16/17/18):2799-2808.
[3]张琨，崔胜民，王剑锋.基于自适应RBF网络补偿的智能车辆循迹控制［J］.控制与决策，2014，29(4):627-631.(Zhang Kun，Cui Sheng-min，Wang Jian-feng.Intelligent vehicle’s path tracking control based on self-adaptive RBF network compensation ［J］.Control and Decision，2014，29(4):627-631.)
[4]Kumar P，Kumar N，Panwar V.BF neural control design for SISO nonaffine nonlinear systems［J］.Procedia Computer Science，2018，125:25-33.
[5]Skala V.RBF interpolation with CSRBF of large data sets［J］.Procedia Computer Science，2017，108:2433-2437.
[6]Liu Y B，Zhao J Z，Xiao Y P.C-RBFNN:a user retweet behavior prediction method for hotspot topics based on improved RBF neural network［J］.Neurocomputing，2018，275:733-746.
[7]张军峰，胡寿松.基于一种新型聚类算法的RBF神经网络混沌时间序列预测［J］.物理学报，2007，56(2):713-719.(Zhang Jun-feng，Hu Shou-song.Chaotic time series prediction based on RBF neural networks with a new clustering algorithm ［J］.Acta Physica Sinica，2007，56(2):713-719.)
[8]Barandiaran X，Moreno A.On the nature of neural information:a critique of the received view 50 years later［J］.Neurocomputing，2008，71(4/5/6):681-692.
[9]Platt J.A resource-allocating network for function interpolation［J］.Neural Computation，1991，3(2):213-225.
[10]杨一，高社生，胡高歌.基于敏感度方差重要性的RBF神经网络结构优化算法［J］.控制与决策，2015，30(8):1393-1398.(Yang Yi，Gao She-sheng，Hu Gao-ge.Optimal algorithm for RBF neural network structure based on variance significance in output sensitivity ［J］.Control and Decision，2015，30(8):1393-1398.)

[1]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[2]	张春雷，李鹤，董茂林，张圣杰. 燃料电池空气供应系统自适应神经网络滑模控制[J]. 东北大学学报（自然科学版）, 2022, 43(9): 1270-1276.
[3]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[4]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[5]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[6]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[7]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[8]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[9]	井元伟，谢海修，白云. TCP/AWM网络系统的自适应有限时间漏斗拥塞控制[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1369-1375.
[10]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[11]	郑艳，姜源祥. 基于特征融合的说话人聚类算法[J]. 东北大学学报（自然科学版）, 2021, 42(7): 952-959.
[12]	于洪亮，王旭，杨丹，李维军. 基于电流观测器的链式STATCOM反步控制方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 761-767.
[13]	张涛，刘天威，杜文丽. 一种基于卷积神经网络的区域调光技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 624-632.
[14]	廖志伟，陈琳韬，黄杰栋，庄竞. 基于特征空间变换与LSTM的中短期电煤价格预测[J]. 东北大学学报（自然科学版）, 2021, 42(4): 483-493.
[15]	张永超，李琦，任朝晖，周世华. 基于域适应与分类器差异的滚动轴承跨域故障诊断[J]. 东北大学学报（自然科学版）, 2021, 42(3): 367-372.

基于参数优化的RBF神经网络结构设计算法

Algorithm for Structure Design of RBF Neural Network Based on Parameter Optimization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价