径向基函数(Radial Basis Function RBF)方法是一种在多维空间中插值的技术,将其应用于神经网络的研究正处于发展阶段。基本的RBF神经网络是一种三层前馈网络,其收敛速度大大高于一般的BP网络,且网络拓扑可以在算法中确定。因此,RBF神经网络的研究和应用在近年来得到了迅速的发展。 目前,RBF神经网络的学习算法有很多,通常采用k—均值法、正交最小二乘法等训练隐层参数,而用梯度下降法、递推最小二乘法等训练权值。设计中存在的主要问题包括隐层节点数、中心和半径的确定,以及网络权值的训练。 本文主要针对上述问题开展了以下工作: 初始化一定数量的隐层节点,利用竞争学习算法对网络进行学习。当有样本输入时,所有中心展开竞争,距离最近者获胜并被更新,而失败者保持不变;若该样本与所有中心都相距甚远则将其设定为一个新的中心。直到中心收敛或训练次数超过一定值时停止,确定各中心并将样本分配到相应的中心。 聚类完毕后,采用梯度下降法找出使代价函数最小的权值参数。由于该方法计算量小,运算速度较快,因此通过调整合适的学习率即可使网络很快收敛。 另外,从节省资源的角度出发,本文采用了Akaike的最终预报误差标准FPE,删除那些对网络输出贡献较小的节点以取得网络精度与复杂度的平衡。直至FPE不再下降,停止筛选并计算网络最优权值,从而得到了一个合理的网络。 将RBF神经网络应用于字符识别,选择5400个数字样本图像(训练集和测试集各占一半),采用13段阴影掩码方法提取特征,用训练数据学习网络,将测试样本输入已学网络进行识别,达到了95.2%的准确度。