改进的径向基函数神经网络预测模型

• 作者: 梁斌梅 韦琳娜
• 来源期刊: 计算机仿真
• 学科: 工学
• 关键词: 径向基函数神经网络 梯度下降法 最优停止训练法 泛化
• 年，卷（期）: 2009,（11）
• 所属期刊栏目: 人工智能与专家系统
• 页码范围: 191-194
• 页数: 4页
• 分类号: TP183
• 字数: 4307字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-9348.2009.11.048

摘要

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁斌梅	广西大学数学与信息科学学院	14	80	6.0	8.0
2	韦琳娜	广西大学数学与信息科学学院	17	37	3.0	5.0