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]	李志刚, 牟明凯, 胡德安, 项楠. 基于图像融合技术的阿尔茨海默病检测研究[J]. 东北大学学报（自然科学版）, 2025, 46(6): 1-7.
[2]	吴杨俊, 李振平, 姚红良, 韩圣东. 考虑辅助部件的车辆动力总成系统建模方法与优化设计[J]. 东北大学学报（自然科学版）, 2025, 46(4): 43-51.
[3]	刘林, 宋雨昊. 基于误差因子的改进WLS超宽带定位算法[J]. 东北大学学报（自然科学版）, 2024, 45(9): 1235-1243.
[4]	李小彭, 付嘉兴, 刘海龙, 尹猛. 柔性空间机械臂RBF神经网络补偿滑模控制策略[J]. 东北大学学报（自然科学版）, 2024, 45(9): 1258-1267.
[5]	任涛, 刘昕靓, 陈宏峰, 马延路. 基于卷积神经网络的预警震级分段估算方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1073-1079.
[6]	刘伟嵬, 刘炳君, 刘焕强, 刘泽远. 激光熔化沉积过程缺陷识别方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1150-1158.
[7]	薛珮芸, 白静, 张楠, 赵建星. 基于VMD的双通道构音障碍语音特征图谱提取算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 793-801.
[8]	谢洪途, 陈佳兴, 张琳, 朱楠楠. 基于脉冲神经网络的轻量化SAR图像舰船识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(4): 474-482.
[9]	杨爱萍, 方思捷, 邵明福, 张腾飞. 基于Transformer的多尺度水下图像增强网络[J]. 东北大学学报（自然科学版）, 2024, 45(12): 1696-1705.
[10]	刘梦园, 吴朝霞, 王金杨, 閤光磊. 基于TST-LSTM模型的烧结料层透气性预测[J]. 东北大学学报（自然科学版）, 2024, 45(10): 1379-1385.
[11]	吕艳霞, 郝帅, 乔广通, 邢烨. 一种基于图神经网络的社会化推荐算法[J]. 东北大学学报（自然科学版）, 2024, 45(1): 10-17.
[12]	郑艳，赵佳旭，边杰. 基于SiamBAN跟踪器改进的目标跟踪算法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1227-1233.
[13]	苏卫星，薛凤，温永刚，刘芳. 面向人机共驾决策的实时驾驶能力评价算法[J]. 东北大学学报（自然科学版）, 2023, 44(8): 1078-1088.
[14]	杨譞，何占奇. 改进的两层BiLSTM的心电信号分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(12): 1705-1711.
[15]	孙颖，李泽，张雪英. 基于约束式双通道模型的语音情感识别[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1537-1542.

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