计算机系统应用
計算機繫統應用
계산궤계통응용
APPLICATIONS OF THE COMPUTER SYSTEMS
2013年
2期
84-87
,共4页
径向基函数神经网络%减聚类%K-means 算法%粒子群优化算法
徑嚮基函數神經網絡%減聚類%K-means 算法%粒子群優化算法
경향기함수신경망락%감취류%K-means 산법%입자군우화산법
RBF neural network%subtractive clustering%K-means algorithm%PSO algorithm
提出一种基于减聚类、K-means 算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法.该算法首先使用减聚类确定隐层节点数和 K-means 初始聚类中心;然后通过 K-means 算法求取 RBF 网络所有参数,作为 PSO 的初始粒子群;为了提高 PSO 算法的收敛性和稳定性,对基本 PSO 算法进行了优化改进,最后使用改进的 PSO 算法训练 RBF 神经网络中的所有参数.对 IRIS 数据集分类识别的仿真结果表明,改进的混合算法具有更高的分类准确率和更好的稳定性.
提齣一種基于減聚類、K-means 算法及改進的粒子群優化(PSO)算法的徑嚮基函數(RBF)神經網絡混閤學習算法.該算法首先使用減聚類確定隱層節點數和 K-means 初始聚類中心;然後通過 K-means 算法求取 RBF 網絡所有參數,作為 PSO 的初始粒子群;為瞭提高 PSO 算法的收斂性和穩定性,對基本 PSO 算法進行瞭優化改進,最後使用改進的 PSO 算法訓練 RBF 神經網絡中的所有參數.對 IRIS 數據集分類識彆的倣真結果錶明,改進的混閤算法具有更高的分類準確率和更好的穩定性.
제출일충기우감취류、K-means 산법급개진적입자군우화(PSO)산법적경향기함수(RBF)신경망락혼합학습산법.해산법수선사용감취류학정은층절점수화 K-means 초시취류중심;연후통과 K-means 산법구취 RBF 망락소유삼수,작위 PSO 적초시입자군;위료제고 PSO 산법적수렴성화은정성,대기본 PSO 산법진행료우화개진,최후사용개진적 PSO 산법훈련 RBF 신경망락중적소유삼수.대 IRIS 수거집분류식별적방진결과표명,개진적혼합산법구유경고적분류준학솔화경호적은정성.
@@@@ This paper introduces a hybrid learning algorithm for Radial Basis Function neural network(RBFNN) based on subtractive clustering, K-means clustering and particle swarm optimization algorithm(PSO). The algorithm can be used to determine the number of hidden layer nodes and initial clustering centers of K-means by using subtractive clustering; Then the initial particle swarm of PSO can be formed by K-means clustering algorithm.The basic PSO algorithm are optimized and developed to improving convergence and stability of the algorithm, and finally the improved PSO algorithm is used to train all the parameters of RBFNN. The simulation for IRIS data set classification problem is executed, the experiment results show that the improved hybrid algorithm has higher accuracy and better stability than several other popular methods.
