论文部分内容阅读
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