计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2012年
11期
161-163,184
,共4页
减聚类算法%k-means算法%径向基函数(RBF)神经网络%梯度下降法
減聚類算法%k-means算法%徑嚮基函數(RBF)神經網絡%梯度下降法
감취류산법%k-means산법%경향기함수(RBF)신경망락%제도하강법
针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动.为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法.先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络.仿真结果表明了该学习算法的实用性和有效性.
針對傳統RBF神經網絡學習算法構造的網絡分類精度不高,傳統的k-means算法對初始聚類中心的敏感,聚類結果隨不同的初始輸入而波動.為瞭解決以上問題,提齣一種基于改進k-means的RBF神經網絡學習算法.先用減聚類算法優化k-means算法,消除聚類的敏感性,再用優化後的k-means算法構造RBF神經網絡.倣真結果錶明瞭該學習算法的實用性和有效性.
침대전통RBF신경망락학습산법구조적망락분류정도불고,전통적k-means산법대초시취류중심적민감,취류결과수불동적초시수입이파동.위료해결이상문제,제출일충기우개진k-means적RBF신경망락학습산법.선용감취류산법우화k-means산법,소제취류적민감성,재용우화후적k-means산법구조RBF신경망락.방진결과표명료해학습산법적실용성화유효성.