论文部分内容阅读
经典的Bayes分类方法一般需要事先对样本的分布特性作出假设,当假设模型与样本实际分布情况不相符时,就难以得到较高的分类精度.当处理同类别多区域样本分布问题,例如变标签问题时,距离判别、Fisher判别、k-近邻分类、分段线性分类等统计分析方法遇到困难.双螺旋问题不仅使统计方法受到挑战,更使人们对一般前向多层神经网络的能力提出疑问.本文提出了改进的RBF神经网络结构、核函数个数、位置与宽度优化算法.该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算法大致相同.核函数生成既考虑了训练集样本自身的类别