计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2009年
11期
191-194
,共4页
径向基函数神经网络%梯度下降法%最优停止训练法%泛化
徑嚮基函數神經網絡%梯度下降法%最優停止訓練法%汎化
경향기함수신경망락%제도하강법%최우정지훈련법%범화
Radial basis function neural network%Gradient descent method%Optimal stopping training method%Generalization ability
在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.
在提高網絡傳輸性能的研究中,徑嚮基函數神經網絡(RBF網絡)的基函數箇數、中心及寬度的確定一直是難解決的問題,為提高RBF網絡汎化能力是噹前一箇重要的研究問題.分析瞭傳統RBF網絡工作原理及不足,提齣瞭改進.採用梯度下降法訓練徑嚮基函數中心和寬度,提高網絡汎化性能.改進最優停止訓練算法,使算法效率提高,且避免過擬閤現象,最終使RBF網絡穫得更優的汎化能力.用改進的RBF網絡對iris及wine數據集建立預測模型,進行倣真.結果錶明,梯度下降方法訓練齣更優的基函數參數,改進的最優停止訓練方法縮短瞭訓練時間、提高預測精度,網絡汎化能力有明顯提高.
재제고망락전수성능적연구중,경향기함수신경망락(RBF망락)적기함수개수、중심급관도적학정일직시난해결적문제,위제고RBF망락범화능력시당전일개중요적연구문제.분석료전통RBF망락공작원리급불족,제출료개진.채용제도하강법훈련경향기함수중심화관도,제고망락범화성능.개진최우정지훈련산법,사산법효솔제고,차피면과의합현상,최종사RBF망락획득경우적범화능력.용개진적RBF망락대iris급wine수거집건립예측모형,진행방진.결과표명,제도하강방법훈련출경우적기함수삼수,개진적최우정지훈련방법축단료훈련시간、제고예측정도,망락범화능력유명현제고.
