学位论文 > 优秀研究生学位论文题录展示

RBF神经网络隐层结构与参数优化研究

作　者: 周维华
导　师: 颜学峰
学　校: 华东理工大学
专　业: 控制科学与工程
关键词: RBF神经网络结构优化参数优化 Rough K-Means聚类算法最大似然估计聚类算法
分类号: TP183
类　型: 硕士论文
年　份: 2014年
下　载: 106次
引　用: 0次
阅　读: 论文下载

内容摘要

径向基函数神经网络(也称为RBF神经网络)是应用非常广泛的一类人工神经网络。在RBF神经网络建模中,其隐含层神经元的个数、相关参数(即中心点、宽度)、以及输出层权值对模型的性能具有重大的影响。如何构建一个合理的隐含层网络结构和最佳的网络参数,是RBF神经网络改进的难点。本文将针对RBF神经网络所面临的隐层结构与参数优化问题,提出了基于粗糙集的K均值(Rough K-Means)聚类算法,和基于最大似然估计(EM)聚类算法和多元线性回归(MLR)结合的优化策略(EM&MLR算法)。采用这两种聚类算法可以达到简约神经网络的结构,调节相关神经元的参数,减少神经网络的冗余信息,防止过拟合,最终改善预测性能的目的,并将两类改进的RBF神经网络应用到初顶石脑油干点软测量中去。结果显示,与一般性的聚类算法相比,这两个聚类算法能够很大的提高RBF神经网络性能,同时,基于EM&MLR算法的RBF神经网络又比比基于Rough K-Means的同类改进RBF神经网络的优化算法相比,不仅是在结构上还是和精度上都获得更进一步提高。

全文目录

摘要  5-6
Abstract  6-9
第一章绪论  9-21
  1.1 引言  9-10
  1.2 神经网络简介  10-17
    1.2.1 单个人工神经元模型  10-11
    1.2.2 神经元基函数和激活函数  11-17
  1.3 神经网络拓扑结构  17-19
  1.4 神经网络的研究现状  19
  1.5 本文主要工作以及章节安排  19-21
第二章 RBF神经网络  21-30
  2.1 引言  21
  2.2 RBF神经网络结构  21-23
  2.3 RBF神经网络隐含层参数的确定  23-27
    2.3.1 随机选取RBF神经网络中心  24
    2.3.2 神经网络构造法  24
    2.3.3 神经网络剪枝法  24-26
    2.3.4 进化算法优化神经网络  26-27
  2.4 RBF神经网络的初顶石脑油干点软测量模型  27-29
  2.5 本章小结  29-30
第三章基于Rough K-Means聚类算法的RBF神经网络的优化策略  30-43
  3.1 引言  30-31
  3.2 Rough K-Means算法介绍  31-34
    3.2.1 K-Means算法基本原理介绍  31
    3.2.2 粗糙集理论  31-32
    3.3.3 基于粗糙集的K-Means聚类算法  32-34
  3.3 基于Rough K-Means聚类算法的RBF神经网络优化策略  34-36
  3.4 基于Rough K-Means聚类算法优化的RBF神经网络干点软测量相关实验  36-41
  3.5 本章小结  41-43
第四章基于EM&MLR算法的RBF神经网络的优化策略  43-57
  4.1 引言  43-44
  4.2 基于EM &MLR算法的改进RBF神经网络  44-49
    4.2.1 高斯混合模型与EM聚类算法  44-46
    4.2.2 基于EM聚类算法的改进RBF神经网络模型  46-49
  4.3 基于EM&MLR算法的RBF神经网络优化策略  49-50
  4.4 基于EM&MLR算法优化的RBF神经网络干点软测量相关实验  50-56
  4.5 本章小结  56-57
第五章总结与展望  57-59
  5.1 本文总结  57
  5.2 研究展望  57-59
参考文献  59-63
致谢  63-64
攻读硕士学位期间发表学术论文  64

RBF神经网络隐层结构与参数优化研究

内容摘要

全文目录

相似论文