版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
BP神經(jīng)網(wǎng)絡與RBF神經(jīng)網(wǎng)絡
第1頁,共80頁。主要內(nèi)容一:神經(jīng)網(wǎng)絡的背景知識二:BP神經(jīng)網(wǎng)絡三:RBF神經(jīng)網(wǎng)絡四:兩種神經(jīng)網(wǎng)絡的比較第2頁,共80頁。人工神經(jīng)網(wǎng)絡簡介人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork)是基于仿生學理論上的對人腦某些已知結(jié)構(gòu)的模仿。它將人腦的神經(jīng)元連接方式加以抽象。用大量的神經(jīng)元節(jié)點組成一個龐大的神經(jīng)網(wǎng)絡,從而實現(xiàn)數(shù)據(jù)的非線性處理,以及復雜的邏輯運算。第3頁,共80頁。正因為人工神經(jīng)網(wǎng)絡是對生物神經(jīng)網(wǎng)絡的模仿,它具有一些傳統(tǒng)邏輯運算不具有的優(yōu)點。主要包括:一、非線性非線性是自然界的普遍特性。人腦的思考過程就是非線性的。人工神經(jīng)網(wǎng)絡通過模仿人腦神經(jīng)元結(jié)構(gòu)的信息傳遞過程,可以進行線性或者非線性的運算,這是人工神經(jīng)網(wǎng)絡的最特出的特性。第4頁,共80頁。二、自適應性神經(jīng)網(wǎng)絡的結(jié)構(gòu)中設置了權(quán)值和閾值參數(shù)。網(wǎng)絡能夠隨著輸入輸出端的環(huán)境變化,自動調(diào)節(jié)神經(jīng)節(jié)點上的權(quán)值和閾值。因此,神經(jīng)網(wǎng)絡對在一定范圍變化的環(huán)境有很強的適應能力。適用于完成信號處理、模式識別、自動控制等任務。系統(tǒng)運行起來也相當穩(wěn)定。第5頁,共80頁。三、較強的容錯性由若干個小的神經(jīng)元組成的網(wǎng)絡十分龐大。信息存儲在神經(jīng)元之間的連接權(quán)值上,采用的是分布式的存儲方式。局部的或部分的神經(jīng)元損壞后,不會對全局的活動造成大的影響。第6頁,共80頁。神經(jīng)網(wǎng)絡的應用前景目前,神經(jīng)網(wǎng)絡主要應用于:信息領(lǐng)域、自動化領(lǐng)域、醫(yī)學領(lǐng)域等。信息領(lǐng)域:主要包括信號處理和模式識別。目前神經(jīng)網(wǎng)絡被廣泛的用于自適應信號處理和非線性信號處理。在這些方面已經(jīng)有很多成功的例子。例如信號傳遞的去噪聲和運動目標的速度估計。在模式識別方面,神經(jīng)網(wǎng)絡不僅可以完成如圖像的特征檢測,邊緣提取等任務還可以進行如目標跟蹤,語音識別等動態(tài)識別。第7頁,共80頁。神經(jīng)網(wǎng)絡模型包括:一、神經(jīng)元二、網(wǎng)絡拓撲三、學習算法第8頁,共80頁。神經(jīng)元在介紹人工神經(jīng)網(wǎng)絡之前,首先簡單了解一下實際的生物神經(jīng)元的基本情況。一個生物神經(jīng)元有兩種狀態(tài),即興奮狀態(tài)和抑制狀態(tài)。平時處于抑制狀態(tài)的生物神經(jīng)元,會收到多個其他生物神經(jīng)元傳來的興奮電位,并且這多個輸入電位在該神經(jīng)元中以代數(shù)和的形式疊加,如果輸入的興奮總量超過某個閾值,該生物神經(jīng)元就會被激發(fā)進入興奮狀態(tài),發(fā)出輸出脈沖并傳給其他神經(jīng)元。第9頁,共80頁。人工神經(jīng)元模型第10頁,共80頁。其中xj(j=1,2……n)為神經(jīng)元i的輸入信號,wij為連接權(quán),ui是由輸入信號線性組合后的輸出,θi為神經(jīng)元的閥值。第11頁,共80頁。f(·)稱為神經(jīng)元的傳遞函數(shù)(活化函數(shù)或激活函數(shù))。對于基本的感知器神經(jīng)元,工作方式是將加權(quán)總和與神經(jīng)元的閾值進行比較,若大于閾值,神經(jīng)元被激活。信號被傳送到與其相連的更高一層神經(jīng)元。第12頁,共80頁。常見的傳遞函數(shù)有三類①硬閾值型函數(shù)第13頁,共80頁。②分段線性函數(shù)第14頁,共80頁。③sigmoid函數(shù)第15頁,共80頁。Sigmoid函數(shù)是最常用的傳遞函數(shù)之一,這是由于sigmoid函數(shù)具有以下特點:①非線性和單調(diào)性②無限次可微③當權(quán)值很大時可近似階躍函數(shù)④當權(quán)值很小時可近似線性函數(shù)第16頁,共80頁。網(wǎng)絡拓撲網(wǎng)絡拓撲是指網(wǎng)絡的結(jié)構(gòu)以及神經(jīng)元之間的連接方式。根據(jù)連接方式的不同,可分為反饋型人工神經(jīng)網(wǎng)絡和非反饋型人工神經(jīng)網(wǎng)絡。前者神經(jīng)元之間存在反饋的環(huán)路,后者神經(jīng)元之間不存在反饋回路。對于非反饋神經(jīng)網(wǎng)絡,若結(jié)構(gòu)是分層的,每一層神經(jīng)元只與上一層神經(jīng)元相連,同層之間互不相連,則稱該網(wǎng)絡為前饋型人工神經(jīng)網(wǎng)絡。第17頁,共80頁。網(wǎng)絡的學習算法網(wǎng)絡的學習算法是以滿足網(wǎng)絡所需的性能為目標,決定連接各神經(jīng)元的初始權(quán)值及在訓練時調(diào)整權(quán)值的方法。學習方法可分為監(jiān)督學習和非監(jiān)督學習。前者為有導師學習,訓練時,同時向網(wǎng)絡提供輸入模式以及輸出的樣板模式,在不斷輸入不同訓練模式的同時調(diào)整權(quán)值,從而使輸出盡量接近樣板模式。后者是無導師學習,它是一種自動的聚類過程。第18頁,共80頁。
三種用于模式識別的網(wǎng)絡結(jié)構(gòu)和算法單層感知器(SingleLayerPereceptron,簡稱為SLP)可作為分類器。單輸出的SLP,其結(jié)構(gòu)就是單個人工神經(jīng)元。輸入的N個元可為連續(xù)的或二進制的標量信號。表示一個維空間的超平面。圖6-3表示可由這個超平面對A、B類進行分類。SLP結(jié)構(gòu)的前部分為一線性加權(quán)裝置(權(quán)為,附有閥值),其輸出經(jīng)一個性能函數(shù)為的硬限幅非線性裝置,然后輸出到判決器。按當其輸入為+1時判屬A類;當其輸入為-1時判屬B類的準則來判類。第19頁,共80頁。兩類分類處理第20頁,共80頁。訓練步驟第一步:設置初始權(quán)值及閾值。置初始的權(quán)值及閾值為一個小的隨機數(shù)。第二步:啟用新的輸入信號x1,x2,…,xn及給定相應的理想輸出信號d(t),其中d(t)=+1(若實際屬于A類)d(t)=-1(若實際屬于B類)第三步:計算實際輸出第21頁,共80頁。第四步:調(diào)整權(quán)值式中的?為小于1的正的增益因子。由上式可見,只是在出現(xiàn)判決誤差時權(quán)值才變動。第五步:轉(zhuǎn)到第二步重復進行。第22頁,共80頁。
雙層感知器
實際上實用的最簡單的M類分類的感知器(Pereceptron)也應該是一種雙層神經(jīng)網(wǎng)絡模型。它是一個兩層前饋神經(jīng)網(wǎng)絡,一層為輸入層,另一層具有計算單元,可以通過監(jiān)督學習建立模式判別的能力,如圖所示。x2xNx1yMy1y2第23頁,共80頁。學習的目標是通過改變權(quán)值使神經(jīng)網(wǎng)絡由給定的輸入得到給定的輸出。作為分類器,可以用已知類別的模式向量(向量維數(shù)等于輸入節(jié)點數(shù))作為訓練集,當輸入為屬于第j類的特征向量時,應使對應于該類的輸出神經(jīng)元的輸出為1,而其它輸出神經(jīng)元的輸出則為0(或-1)。應使對應于該類的輸出神經(jīng)元的輸出為1,而其它輸出神經(jīng)元的輸出則為0(或-1)。設理想的輸出為:
實際的輸出為:
為了使實際的輸出逼近理想輸出,可以反復依次輸入訓練集中的輸入向量,然后計算出實際的輸出,再對權(quán)值作如下的修改
雙層感知器的學習過程與求取線性判別函數(shù)的過程是等價的,它只能用于解決線性可分問題。它的特點是學習過程收斂很快,且與初始值無關(guān)。第24頁,共80頁。
多層感知器當類別不能用一超平面完善分割時,需用更復雜結(jié)構(gòu)的感知器,即所謂的“多層感知器”。(Multi-LayerPerceptron,簡稱為MLP)如果感知器的傳遞函數(shù)具有非線性,則這種網(wǎng)絡具有較強的分類能力。多層感知器網(wǎng)是由若干層感知器以及可修正的權(quán)連接而構(gòu)成的多層前饋網(wǎng)絡。
第25頁,共80頁。多層感知器的結(jié)構(gòu)由一個輸入層,一個以上隱藏層和一個輸出層組成。所有的連接均為相鄰層之間的節(jié)點的連接,同層之間不連接。輸入層不作任何運算,它只是將每個輸入量分配到各個輸入節(jié)點。圖6-5是一個三層MLP神經(jīng)網(wǎng)絡。x2xNy1yM第26頁,共80頁。對于多層感知器,Werbos曾于1974年提出,并且由Rumelhart等人的工作而得到完善和推廣的一種學習算法,即著名的BP(BackPropagation)算法,它是一種修正連接權(quán)的算法。所以MLP的訓練大都采用這種反向傳播算法。
第27頁,共80頁。BP神經(jīng)網(wǎng)絡BP(BackPropagation)神經(jīng)網(wǎng)絡,即誤差反向傳播算法的學習過程,由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負責接收來自外界的輸入信息,并傳遞給中間層各神經(jīng)元;中間層是內(nèi)部信息處理層,負責信息變換,根據(jù)信息變化能力的需求,中間層可以設計為單隱層或者多隱層結(jié)構(gòu);最后一個隱層傳遞到輸出層各神經(jīng)元的信息,經(jīng)進一步處理后,完成一次學習的正向傳播處理過程,由輸出層向外界輸出信息處理結(jié)果。第28頁,共80頁。當實際輸出與期望輸出不符時,進入誤差的反向傳播階段。誤差通過輸出層,按誤差梯度下降的方式修正各層權(quán)值,向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程,是各層權(quán)值不斷調(diào)整的過程,也是神經(jīng)網(wǎng)絡學習訓練的過程,此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度,或者預先設定的學習次數(shù)為止。第29頁,共80頁。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
第30頁,共80頁。2.1輸入/輸出變量的確定若輸入變量較多,一般可通過主成份分析方法壓減輸入變量,也可根據(jù)剔除某一變量引起的系統(tǒng)誤差與原系統(tǒng)誤差的比值的大小來壓減輸入變量。輸出變量可以是一個,也可以是多個。一般將一個具有多個輸出的網(wǎng)絡模型轉(zhuǎn)化為多個具有一個輸出的網(wǎng)絡模型效果會更好,訓練也更方便。第31頁,共80頁。Hornik等早已證明:若輸入層和輸出層采用線性傳遞函數(shù),隱層采用Sigmoid傳遞函數(shù),則含一個隱層的MLP網(wǎng)絡能夠以任意精度逼近任何有理函數(shù)。顯然,這是一個存在性結(jié)論。在設計BP網(wǎng)絡時可參考這一點,應優(yōu)先考慮3層BP網(wǎng)絡(即有1個隱含層)。在BP網(wǎng)絡中,隱層節(jié)點數(shù)的選擇非常重要,它對建立的神經(jīng)網(wǎng)絡模型的性能影響很大,但是目前理論上還沒有一種科學的和普遍的確定方法。隱含層數(shù)和節(jié)點數(shù)第32頁,共80頁。一些文獻中提到的一種隱含層節(jié)點數(shù)選擇的經(jīng)驗公式:其中N為隱含層神經(jīng)元個數(shù),m為輸入神經(jīng)元個數(shù),n為輸出神經(jīng)元個數(shù),ɑ為1~10之間的一個整數(shù)。第33頁,共80頁。BP神經(jīng)網(wǎng)絡的學習算法為說明算法,假定BP網(wǎng)絡中只有一個隱層,也就是三層BP網(wǎng)絡。上標h表示隱層,上標o表示輸出層,下標p表示p次訓練向量第34頁,共80頁。隱層節(jié)點j輸出和輸入節(jié)點的關(guān)系:輸出節(jié)點k和隱層輸出節(jié)點的關(guān)系:學習過程:定義輸出誤差第35頁,共80頁。學習的目的是要使以下定義的誤差平方和最?。阂虼?,要求以下的偏導,式中1/2是為了計算方便,不影響推導過程。為了決定權(quán)值改變的方向和大小,必須計算EP對wkj的負梯度然后調(diào)節(jié)權(quán)值,使總的誤差減小第36頁,共80頁。第37頁,共80頁。所以輸出權(quán)值的更新:第38頁,共80頁。對隱層權(quán)值的更新隱層的權(quán)值更新采用與輸出層相仿的方法問題:我們知道這些節(jié)點的實際輸出,確無法提前知道正確的輸出是什么解決方法:直接把總的誤差和隱層的權(quán)值聯(lián)系起來我們要計算EP對隱層權(quán)值的梯度第39頁,共80頁。而:所以:第40頁,共80頁。注意:隱層的權(quán)值更新取決于輸出層的所有的誤差根據(jù)相應的公式可以求出各個偏微分第41頁,共80頁。定義一個隱層誤差項:第42頁,共80頁。計算全局誤差
m是樣本數(shù)據(jù)個數(shù),q是輸出節(jié)點個數(shù)判斷網(wǎng)絡誤差是否滿足要求。當誤差達到預設精度或?qū)W習次數(shù)大于設定的最大次數(shù),則結(jié)束算法。否則,選取下一個學習樣本及對應的期望輸出繼續(xù)訓練網(wǎng)絡。第43頁,共80頁。BP網(wǎng)絡主要用途
BP網(wǎng)絡作為一種很重要的神經(jīng)網(wǎng)絡模型在許多領(lǐng)域都得到了應用(圖像壓縮編碼、人臉識別、故障診斷、最優(yōu)預測、分類)。1、函數(shù)逼近:用輸入向量和相應的輸出向量訓練一個網(wǎng)絡逼近一個函數(shù)。2、模式識別:用一個特定的輸出向量將它與輸入向量聯(lián)系起來。3、分類:把輸入向量以所定義的合適方式進行分類。4、數(shù)據(jù)壓縮:減少輸出向量維數(shù)以便于傳輸或存儲。第44頁,共80頁。標準BP算法的缺陷標準的BP算法在應用中暴露出不少內(nèi)在的缺陷:⑴易形成局部極小而得不到全局最優(yōu);⑵訓練次數(shù)多使得學習效率低,收斂速度慢;⑶隱節(jié)點的選取缺乏理論指導;⑷訓練時學習新樣本有遺忘舊樣本的趨勢。第45頁,共80頁。目前有效改進方法:①增加動量項一些學者指出,標準BP算法在調(diào)整權(quán)值時,只按t時刻誤差的梯度降方向調(diào)整,而沒有考慮t時刻前的梯度方向,從而常使訓練過程發(fā)生震蕩,收斂緩慢。為了提高網(wǎng)絡的訓練速度,可以在權(quán)值調(diào)整公式中增加一動量項。②自適應調(diào)節(jié)學習率學習率也稱為步長,在標準的BP算法定為常數(shù),然而在實際應用中,很難確定一個從始至終都合適的最佳學習率。從誤差曲面可以看出,在平坦區(qū)域內(nèi)學習率太小會使訓練次數(shù)增加,因而希望增大學習率;而在誤差變化劇烈的區(qū)域,學習率太大會因調(diào)整量過大而跨過較窄的“坑凹”處,使訓練出現(xiàn)震蕩,反而使迭代次數(shù)增加。為了加速收斂過程,一個較好的思想是自適應改變學習率,使其該大時增大,該小時減小。③引入陡度因子誤差曲面上存在著平坦區(qū)域。權(quán)值調(diào)整進入平坦區(qū)的原因是神經(jīng)元輸出進入了轉(zhuǎn)移函數(shù)的飽和區(qū)。如果在調(diào)整進入平坦區(qū)域后,設法壓縮神經(jīng)元的凈輸入,使其輸出退出轉(zhuǎn)移函數(shù)的飽和區(qū),就可以改變誤差函數(shù)的形狀,從而使調(diào)整脫離平坦區(qū)。實現(xiàn)這一思路的具體作法是在原轉(zhuǎn)移函數(shù)中引入一個陡度因子。第46頁,共80頁。BP神經(jīng)網(wǎng)絡示例要求建立一個BP神經(jīng)網(wǎng)絡來逼近正選函數(shù)。
輸入矢量P=0:0.1:2.*pi;期望輸出矢量T=sin(P);使用三層BP神經(jīng)網(wǎng)絡,輸入和輸出節(jié)點都為1,,隱含層神經(jīng)元數(shù)目取5。第47頁,共80頁。RBF神經(jīng)網(wǎng)絡1985年,Powell提出了多變量插值的徑向基函數(shù)(RadicalBasisFunction,RBF)方法。1988年,Moody和Darken提出了一種神經(jīng)網(wǎng)絡結(jié)構(gòu),即RBF神經(jīng)網(wǎng)絡,它屬于前向神經(jīng)網(wǎng)絡類型,能夠以任意精度逼近任意連續(xù)函數(shù),特別適合于解決分類問題。第48頁,共80頁。RBF網(wǎng)絡的結(jié)構(gòu)與多層前向網(wǎng)絡類似,它是一種三層前向網(wǎng)絡。輸入層由信號源結(jié)點組成;第二層為隱含層,隱單元數(shù)視所描述問題的需要而定,隱單元的變換函數(shù)RBF()是對中心點徑向?qū)ΨQ且衰減的非負非線性函數(shù);第三層為輸出層,它對輸入模式的作用作出響應。從輸入空間到隱含層空間的變換是非線性的,而從隱含層空間到輸出層空間變換是線性的。第49頁,共80頁。RBF網(wǎng)絡的基本思想是:用RBF作為隱單元的“基”構(gòu)成隱含層空間,這樣就可以將輸入矢量直接(即不需要通過權(quán)接)映射到隱空間。當RBF的中心點確定以后,這種映射關(guān)系也就確定了。而隱含層空間到輸出空間的映射是線性的,即網(wǎng)絡的輸出是隱單元輸出的線性加權(quán)和。此處的權(quán)即為網(wǎng)絡可調(diào)參數(shù)。由此可見,從總體上看,網(wǎng)絡由輸入到輸出的映射是非線性的,而網(wǎng)絡輸出對可調(diào)參數(shù)而言卻又是線性的。這樣網(wǎng)絡的權(quán)就可由線性方程直接解出,從而大大加快學習速度并避免局部極小問題。第50頁,共80頁。RBF神經(jīng)元模型第51頁,共80頁。徑向基神經(jīng)網(wǎng)絡的激活函數(shù)采用徑向基函數(shù),通常定義為空間任一點到某一中心之間歐氏距離的單調(diào)函數(shù)。由圖1所示的徑向基神經(jīng)元結(jié)構(gòu)可以看出,徑向基神經(jīng)網(wǎng)絡的激活函數(shù)是以輸入向量和權(quán)值向量之間的距離作為自變量的。徑向基神經(jīng)網(wǎng)絡的激活函數(shù)的一般表達式為
第52頁,共80頁。隨著權(quán)值和輸入向量之間距離的減少,網(wǎng)絡輸出是遞增的,當輸入向量和 權(quán)值向量一致時,神經(jīng)元輸出1。在圖中的b為偏差,用于調(diào)整神經(jīng)元的靈敏度。第53頁,共80頁。徑向基神經(jīng)網(wǎng)絡結(jié)構(gòu)第54頁,共80頁。在RBF網(wǎng)絡中,輸入層僅僅起到傳輸信號的作用。輸出層和隱含層所完成的任務是不同的,因而它們的學習策略也不相同。輸出層是對線性權(quán)進行調(diào)整,采用的是線性優(yōu)化策略。因而學習速度較快。而隱含層是對激活函數(shù)(一般取高斯函數(shù))的參數(shù)進行調(diào)整,采用的是非線性優(yōu)化策略,因而學習速度較慢。第55頁,共80頁。RBF網(wǎng)絡的學習算法RBF神經(jīng)網(wǎng)絡學習算法需要求解的參數(shù)有3個:基函數(shù)的中心、方差以及隱含層到輸出層的權(quán)值。根據(jù)徑向基函數(shù)中心選取方法的不同,RBF網(wǎng)絡有多種學習方法,如隨機選取中心法、自組織選取中心法、有監(jiān)督選取中心法和正交最小二乘法等,下面將介紹自組織選取中心的RBF神經(jīng)網(wǎng)絡學習法。第56頁,共80頁。自組織選取中心法此方法由兩個階段組成:一是自組織學習階段,此階段為無導師學習過程,求解隱含層基函數(shù)的中心與方差。二是有導師學習階段,此階段求解隱含層到輸出層之間的權(quán)值。第57頁,共80頁。徑向基神經(jīng)網(wǎng)絡中常用的徑向基函數(shù)是高斯函數(shù),因此徑向基神經(jīng)網(wǎng)絡的激活函數(shù)可表示為式中————歐式范數(shù)?!咚购瘮?shù)的中心。————高斯函數(shù)的方差。第58頁,共80頁。由圖中徑向基神經(jīng)網(wǎng)絡的結(jié)構(gòu)可得到網(wǎng)絡的輸出為:式中————第p個輸入樣本?!狿表示樣本總數(shù)?!W(wǎng)絡隱含層結(jié)點的中心?![含層到輸出層的連接權(quán)值?![含層的節(jié)點數(shù)?!c輸入樣本對應的網(wǎng)絡的第j個輸出結(jié)點的實際輸出。第59頁,共80頁。設d是樣本的期望輸出值,那么基函數(shù)的方差可表示為:第60頁,共80頁。學習算法具體步驟如下:1.基于K-均值聚類方法求解基函數(shù)中心(1)網(wǎng)絡初始化:隨機選取個訓練樣本作為聚類中心(2)將輸入的訓練樣本集合按最近鄰規(guī)則分組:按照與中心之間的歐式距離將分配到輸入樣本的各個聚類集合中。
第61頁,共80頁。(3)重新調(diào)整聚類中心:計算各個聚類集合中訓練樣本的平均值,即新的聚類中心,如果新的聚類中心不再發(fā)生變化,則所得到的即為RBF神經(jīng)網(wǎng)絡最終的基函數(shù)中心,否則返回2),進入下一輪的中心求解。第62頁,共80頁。2.求解方差該RBF神經(jīng)網(wǎng)絡的基函數(shù)為高斯函數(shù),因此方差可由下式求解:式中——所選取中心與其他中心之間的最大距離。第63頁,共80頁。3.計算隱含層和輸出層之間的權(quán)值
隱含層至輸出層之間神經(jīng)元的連接權(quán)值可以用最小二乘法直接計算得到,計算公式如下:第64頁,共80頁。BP神經(jīng)網(wǎng)絡與RBF神經(jīng)網(wǎng)絡的比較從網(wǎng)絡結(jié)構(gòu)上看BP神經(jīng)網(wǎng)絡隱層單元的傳遞函數(shù)一般選擇非線性函數(shù)(如反正切函數(shù)),RBF神經(jīng)網(wǎng)絡隱層單元的傳遞函數(shù)是關(guān)于中心對稱的RBF(如高斯函數(shù))。從訓練算法上看BP神經(jīng)網(wǎng)絡需要確定的參數(shù)是連接權(quán)值和閾值,主要的訓練算法為BP算法。但BP算法存在許多不足之處,主要表現(xiàn)為易限于局部極小值,學習過程收斂速度慢,隱層和隱層節(jié)點數(shù)難以確定。目前,很多RBF神經(jīng)網(wǎng)絡的訓練算法支持在線和離線訓練,可以動態(tài)確定網(wǎng)絡結(jié)構(gòu)和隱層單元的數(shù)據(jù)中心和擴展常數(shù),學習速度快,比BP算法表現(xiàn)出更好的性能。第65頁,共80頁。RBF網(wǎng)絡的學習算法RBF網(wǎng)絡的學習算法一般包括兩個不同的階段:隱層徑向基函數(shù)中心的確定階段。在此我們選用中心的自組織選擇法。徑向基函數(shù)權(quán)值學習調(diào)整階段。此處我們介紹中心的監(jiān)督選擇法。第66頁,共80頁。中心的自組織選擇法中心的自組織選擇法是一種無導師學習,又稱非監(jiān)督學習,是對所有樣本的輸入進行聚類,求得各隱層節(jié)點的RBF的中心。這里介紹常用的k-均值聚類算法,算法步驟如下:第67頁,共80頁。③調(diào)整中心:很小時為止。3.2中心的監(jiān)督選擇法中心的監(jiān)督選擇法是一種有導師學習,也稱監(jiān)督學習算法。徑向基函數(shù)的中心以及網(wǎng)絡的所有其他參數(shù)都將經(jīng)歷一個監(jiān)督學習的過程,即RBF網(wǎng)絡將采用最一般的方式誤差修正學習過程,它可以很方便的使用梯度下降法。當確定后,訓練隱層至輸出層之間的權(quán)值,由于它是一個線性方程組,則求權(quán)值就成為線性優(yōu)化問題,如LMS算法、最小二乘遞推算法等。
第68頁,共80頁。(1)LMS算法已知最陡下降法迭代公式
,即后一時刻的權(quán)值等于前一時刻的加上一個正比于負梯度的增量,這里
。為性能曲面的梯度LMS算法的核心思想是:計算梯度時,用平方誤差代替均方誤差所
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 工作總結(jié)之法學專業(yè)畢業(yè)實習總結(jié)
- 工廠考察報告-文書模板
- 銀行合規(guī)管理制度實施推進
- 酒店餐飲成本控制制度
- 斷橋鋁窗戶施工合同
- 新課標解讀2024心得范文(31篇)
- 《認識常見園林植物》課件
- 《信用修改版》課件
- 《顧客的購物心理》課件
- 法律資料房屋專項維修資金使用管理法規(guī)及案例分析
- 【MOOC】信號與系統(tǒng)-南京郵電大學 中國大學慕課MOOC答案
- 《住院患者身體約束的護理》團體標準解讀課件
- 大學美育(同濟大學版)學習通超星期末考試答案章節(jié)答案2024年
- 安徽省江南十校2023-2024學年高一生物上學期分科診斷摸底聯(lián)考試題
- 高教版【中職專用】《中國特色社會主義》期末試卷+答案
- 足三陰經(jīng)周康梅
- 宣講《鑄牢中華民族共同體意識》全文課件
- MOOC 跨文化交際通識通論-揚州大學 中國大學慕課答案
- 國開2024年《鋼結(jié)構(gòu)(本)》階段性學習測驗1-4答案
- 外研社英語教材(一年級起點版)一年級上冊知識點總結(jié)
- GB/T 28799.2-2020冷熱水用耐熱聚乙烯(PE-RT)管道系統(tǒng)第2部分:管材
評論
0/150
提交評論