???????? 對(duì)現(xiàn)有的RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行了分析，并對(duì)訓(xùn)練過(guò)程中使用的聚類(lèi)算法進(jìn)行了改進(jìn)。經(jīng)實(shí)驗(yàn)證明，基于改進(jìn)后的RBF 網(wǎng)絡(luò)具有更少的隱含神經(jīng)元，但仍然保持了基于RBF 網(wǎng)絡(luò)分類(lèi)器的準(zhǔn)確率。
關(guān)鍵詞: RBF；神經(jīng)網(wǎng)絡(luò)；聚類(lèi)算法
???????? RBF(Radial Basis Function Neural Network) 是Moody 和Darken 提出了一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。RBF 網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)，它不僅有全局逼近性質(zhì)，而且具有最佳逼近性能。
???????? 盡管如此，RBF 網(wǎng)絡(luò)同樣存在問(wèn)題需要解決，如隱含神經(jīng)元個(gè)數(shù)較多降低了訓(xùn)練過(guò)程的時(shí)間效率。在構(gòu)建RBF 網(wǎng)絡(luò)時(shí)，隱含神經(jīng)元個(gè)數(shù)是一個(gè)重要的參數(shù)。Maffezzoni and Gubian [1] 將該參數(shù)設(shè)定為訓(xùn)練樣本的個(gè)數(shù)，再經(jīng)人工裁減，獲得更優(yōu)值。但仍不能滿(mǎn)足大規(guī)模應(yīng)用的要求。本文正是從這點(diǎn)出發(fā)，在Roy etal[3]等提出的算法基礎(chǔ)上進(jìn)行了一些改進(jìn)，經(jīng)實(shí)驗(yàn)證明，這種改進(jìn)不但減少了隱含神經(jīng)元的個(gè)數(shù)而且保持了RBF 網(wǎng)絡(luò)的準(zhǔn)確率。