论文部分内容阅读
径向基函数(Radial Basis Function,RBF)神经网络是一种单隐层的三层前向网络,可以根据具体问题确定网络的拓扑结构,凭借其结构简单、学习速度快、能有效避免局部收敛和可以并行高速地处理大规模数据等优良特性,广泛应用在模式识别、图像识别、信号处理等领域。确定径向基函数中心的数量、位置以及宽度是RBF神经网络结构设计的重要工作,在工程实践中一般需要通过某种聚类算法来确定基函数中心及其相关参数,应用最普遍的就是K均值聚类方法,但它需要预先设定初始凝聚点的个数,这对于很多实际问题是很难做到的,而且通过K均值聚类方法构建的神经网络结构对初始凝聚点的选取和异常值都特别敏感。针对这一问题有学者提出了用系统聚类的方法来确定基函数的中心,而系统聚类和K均值聚类在本质上都属于贪心算法,算法在每一步所做的决策都是对当前状态来说是最优的,这样得到的最终解很可能不是全局最优解,并且系统聚类算法受异常值的影响也比较大且结果很可能聚成链状。针对以上问题,本文提出了运用支持向量机(Support Vector Machine,SVM)聚类确定RBF神经网络基函数中心的方法,弥补了K均值聚类和系统聚类等传统聚类算法的不足。本文首先介绍了RBF神经网络的结构、原理和学习算法,简单介绍了几种确定基函数中心的方法。其次介绍了支持向量机的基本原理,然后介绍了支持向量机在分类问题应用的理论基础,并给出了不同核函数下鸢尾花数据集的分类效果示例。最后将基于支持向量机聚类确定基函数中心的方法应用到RBF神经网络的构建中,实验其性能,并与之前在这方面表现较好的系统聚类训练的RBF网络做了全方位对比,验证了改进方法的有效性。本文取得的主要研究成果有:(1)研究提出了用支持向量机聚类来确定RBF神经网络径向基函数中心的新方法,并给出了这种方法的计算方法与相关模型。通过分析支持向量机聚类的原理与过程并与系统聚类法确定基函数中心训练的RBF神经网络进行对比,得出了新方法训练的网络在收敛速度、拟合精度、分类准确性和预测精度等方面表现更好的结论。(2)通过编程进行算法的仿真实验,证明了算法的可行性。运用MATLAB和PYTHON语言,设计并实现了基于支持向量机聚类确定基函数的RBF神经网络。(3)通过三个实例验证了本文提出的支持向量机聚类方法构建的RBF神经网络在解决农业工程实际问题中的有效性。将用支持向量机聚类(Support Vector Clustering,SVC)确定基函数中心方法构建的RBF神经网络应用于函数拟合问题、分类问题和非线性时间序列预测问题中,得到了较好的结果。将改进的RBF神经网络与运用系统聚类方法构建的RBF神经网络进行了全方位的对比,证明了新方法的可行性和有效性。