徑向基函數(shù)（Radial Basis Function,RBF）神經(jīng)網(wǎng)絡(luò)是一種單隱層的三層前向網(wǎng)絡(luò),可以根據(jù)具體問題確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),憑借其結(jié)構(gòu)簡單、學(xué)習(xí)速度快、能有效避免局部收斂和可以并行高速地處理大規(guī)模數(shù)據(jù)等優(yōu)良特性,廣泛應(yīng)用在模式識別、圖像識別、信號處理等領(lǐng)域。確定徑向基函數(shù)中心的數(shù)量、位置以及寬度是RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的重要工作,在工程實踐中一般需要通過某種聚類算法來確定基函數(shù)中心及其相關(guān)參數(shù),應(yīng)用最普遍的就是K均值聚類方法,但它需要預(yù)先設(shè)定初始凝聚點的個數(shù),這對于很多實際問題是很難做到的,而且通過K均值聚類方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對初始凝聚點的選取和異常值都特別敏感。針對這一問題有學(xué)者提出了用系統(tǒng)聚類的方法來確定基函數(shù)的中心,而系統(tǒng)聚類和K均值聚類在本質(zhì)上都屬于貪心算法,算法在每一步所做的決策都是對當(dāng)前狀態(tài)來說是最優(yōu)的,這樣得到的最終解很可能不是全局最優(yōu)解,并且系統(tǒng)聚類算法受異常值的影響也比較大且結(jié)果很可能聚成鏈狀。針對以上問題,本文提出了運用支持向量機(jī)（Support Vector Machine,SVM）聚類確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心的方法,彌補了K均值聚類和系統(tǒng)聚類... 

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
英文摘要
1 引言
    1.1 研究的目的與意義
    1.2 國內(nèi)外研究動態(tài)
        1.2.1 國內(nèi)外研究動態(tài)
        1.2.2 國內(nèi)外研究動態(tài)分析
    1.3 研究內(nèi)容、方法和技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 研究方法
        1.3.3 研究的技術(shù)路線
2 RBF神經(jīng)網(wǎng)絡(luò)
    2.1 人工神經(jīng)網(wǎng)絡(luò)概述
    2.2 RBF神經(jīng)網(wǎng)絡(luò)的原理
        2.2.1 RBF神經(jīng)網(wǎng)絡(luò)基本思想
        2.2.2 RBF神經(jīng)網(wǎng)絡(luò)模型
    2.3 RBF神經(jīng)網(wǎng)絡(luò)性能分析
    2.4 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
    2.5 本章小結(jié)
3 基于SVC聚類的基函數(shù)中心確定方法
    3.1 支持向量機(jī)
        3.1.1 統(tǒng)計學(xué)習(xí)理論與SVM
        3.1.2 線性可分支持向量機(jī)與硬間隔最大化
        3.1.3 線性支持向量機(jī)與軟間隔最大化
        3.1.4 非線性支持向量機(jī)與核函數(shù)
    3.2 支持向量機(jī)聚類
        3.2.1 支持向量機(jī)聚類
        3.2.2 支持向量機(jī)聚類算法
    3.3 SVC聚類效果分析
    3.4 基函數(shù)中心和個數(shù)的確定
    3.5 本章小結(jié)
4 基于SVC的RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用與分析
    4.1 在函數(shù)擬合問題中的應(yīng)用
    4.2 在分類問題上的應(yīng)用
    4.3 在非線性時間序列預(yù)測問題上的應(yīng)用
    4.4 本章小結(jié)
5 結(jié)論與討論
    5.1 結(jié)論
    5.2 討論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于最小二乘的孿生有界支持向量機(jī)分類算法[J]. 業(yè)巧林,閆賀.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[2]基于支持向量機(jī)的健康狀態(tài)評估方法[J]. 張春,舒敏.  計算機(jī)系統(tǒng)應(yīng)用. 2018(03)
[3]海量數(shù)據(jù)的支持向量機(jī)優(yōu)化挖掘方法[J]. 李清霞.  現(xiàn)代電子技術(shù). 2018(06)
[4]一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)在農(nóng)機(jī)總動力預(yù)測中的應(yīng)用[J]. 潘琪,王福林,吳志輝,方堃.  農(nóng)機(jī)化研究. 2018(07)
[5]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計算機(jī)學(xué)報. 2016(08)
[6]模擬退火優(yōu)化SVM參數(shù)的變壓器故障診斷[J]. 謝榮斌,張霖,鄢小虎,楊俊,盧文華.  計算機(jī)測量與控制. 2015(05)
[7]基于改進(jìn)自適應(yīng)聚類算法的RBF神經(jīng)網(wǎng)絡(luò)分類器設(shè)計與實現(xiàn)[J]. 郝曉麗,張靖.  計算機(jī)科學(xué). 2014(06)
[8]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J]. 石東源,熊國江,陳金富,李銀紅.  中國電機(jī)工程學(xué)報. 2014(04)
[9]基于支持向量機(jī)的目標(biāo)檢測算法綜述[J]. 郭明瑋,趙宇宙,項俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[10]人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計工程. 2011(24)

博士論文
[1]基于SVM的網(wǎng)絡(luò)流量特征降維與分類方法研究[D]. 曹杰.吉林大學(xué) 2017
[2]半監(jiān)督支持向量機(jī)模型與算法研究[D]. 閆辛.上海大學(xué) 2016
[3]兩類新型神經(jīng)網(wǎng)絡(luò)及其在非線性系統(tǒng)控制中的應(yīng)用[D]. 姚賽.東北石油大學(xué) 2015
[4]基于數(shù)據(jù)建模的輪軌力載荷辨識理論和應(yīng)用研究[D]. 郭劍峰.中國鐵道科學(xué)研究院 2015
[5]基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D]. 盧金娜.中北大學(xué) 2015
[6]BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D]. 王吉權(quán).沈陽農(nóng)業(yè)大學(xué) 2011

碩士論文
[1]徑向基函數(shù)方法在分?jǐn)?shù)階微分方程數(shù)值解中的應(yīng)用[D]. 錢紀(jì)光.浙江工商大學(xué) 2018
[2]徑向基神經(jīng)網(wǎng)絡(luò)基函數(shù)中心確定方法改進(jìn)研究[D]. 潘琪.東北農(nóng)業(yè)大學(xué) 2017
[3]基于深度學(xué)習(xí)的刀具磨損狀態(tài)監(jiān)測技術(shù)的研究[D]. 林楊.中國科學(xué)技術(shù)大學(xué) 2017
[4]基于熱輻射與紋理特征的硅酸鹽巖石遙感識別[D]. 韋佳黎.中國地質(zhì)大學(xué)(北京) 2017
[5]基于機(jī)器學(xué)習(xí)算法在數(shù)據(jù)分類中的應(yīng)用研究[D]. 楊志輝.中北大學(xué) 2017
[6]基于PSO的自組織RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計及應(yīng)用研究[D]. 周文冬.北京工業(yè)大學(xué) 2016
[7]基于支持向量排序的分割聚類算法研究[D]. 栗寒冰.吉林大學(xué) 2016
[8]徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究[D]. 張義.山東理工大學(xué) 2016
[9]基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法及其應(yīng)用[D]. 馬云龍.吉林大學(xué) 2015
[10]基于PNN的板材孔洞缺陷紅外熱波檢測及其識別技術(shù)[D]. 符正晴.華東交通大學(xué) 2014



本文編號：3667793