基于距离和密度聚类的RBF网络结构设计

• 作者: 郭鑫 李文静 乔俊飞
• 来源期刊: 控制工程
• 关键词: RBF神经网络 距离和密度聚类 结构设计
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 建模与仿真系统
• 页码范围: 114-119
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.14107/j.cnki.kzgc.20180617

摘要

为确定径向基函数RBF(radial basis function)神经网络隐含层结构,并针对基于距离或密度聚类的RBF神经网络的限制,提出一种基于距离和密度聚类(GDD)算法的RBF神经网络.GDD算法通过计算每个样本的密度,各样本间的距离及相似条件(密度标准、距离标准),相似条件是根据样本分布而改变的,进行样本空间划分,实现无需先验知识及参数,就可以精确识别任意形状的聚类.采用GDD算法聚类,RBF神经网络能确定合适的隐含层节点个数及径向基函数中心.对典型非线性函数逼近及UCI机器学习库实例样本进行实验,结果表明基于GDD算法设计的RBF神经网络具有良好的逼近能力和分类效果,且网络结构更加紧凑.