文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于优化的RBF神经网络模式识别新方法
侵权投诉

基于优化的RBF神经网络模式识别新方法

统 仿 真 学 报© Vol. 18 No. 1

2006年1月 Journal of System Simulation Jan., 2006

第18卷第1期 系

基于优化的RBF神经网络模式识别新方法

李国友1,姚 磊1,李惠光1,吴惕华2

(1.燕山大学,河北秦皇岛 066004;2.河北省科学院,河北石家庄 050000)

摘 要:提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。 关键词:Hough变换;RBF神经网络;函数逼近;模式识别;泛化能力

中图分类号:TP183 文献标识码:A 文章编号: 1004-731X (2006) 01-0181-04

A New Method of Pattern Recognition

Based on Optimized RBF Neural Networks

LI Guo-you1, YAO Lei1, LI Hui-guang1, WU Ti-hua2

(1.Yanshan University, Qinhuangdao 066004, China; 2.Academy of Sciences of Hebei, Shijiazhuang 050000, China)

Abstract: A new method of pattern recognition based on optimized RBF neural networks using Hough Transform was improved. Hough Transform was applied to the parameters selection and the adaption of the number and position of data centers of RBF neural networks that were realized in this method. Consequently, RBF neural networks designed with this method could generalize well. Experiments results show that the improved RBF neural networks applied in pattern recognition turn out to be a higher accuracy, faster and elegant way. The method possesses high value being generalized. Key words: Hough Transform; RBF neural networks; function approach; pattern recognition; generalization ability

设计RBF神经网络亟需解决的问题。

针对上述问题,本文提出了基于Hough变换的改进的RBF神经网络新方法,此方法将Hough变换用于RBF神经网络的参数确定中,以自适应的确定RBF隐层节点数和高斯函数中心值,从而大大提高了网络速度和精度,同时,将

基于优化的RBF神经网络模式识别新方法

此改进的网络应用到字母和数字的识别系统中。经仿真研究,表现出学习时间短

基于优化的RBF神经网络模式识别新方法

,

基于优化的RBF神经网络模式识别新方法

计算量小和性能优良的特点,证明

基于优化的RBF神经网络模式识别新方法

了此方法的合理性和有效性。

基于优化的RBF神经网络模式识别新方法

基于优化的RBF神经网络模式识别新方法

引 言RBF神经网络是一种前向神经网络,和其它前向网络相比, 这种网络具有结构简单, 全局逼近能力强, 训练方法快速易行的优点,使得其在预测、信号处理及模式识别等很多领域得到了广泛的应用[1]。

RBF神经网络设计的核心问题是确定隐节点数及相应的数据中心,设计出满足目标误差要求的尽可能小的神经网络,以保证神经网络的泛化能力。目前,RBF神经网络的设计方法大体可以分为两类:第一类方法是隐节点数据中心随机选取,如OLS算法[2]和ROLS算法[3]。这类算法的优点是比较容易实现,且能在权值学习的同时确定隐节点的数目,但是,这类算法并不能设计出最小结构的RBF网络[4],另外,随机选取数值中心是否合理,也值得讨论。第二类方法是数据中心的位置在学习过程中动态调解,如K-means聚类或Kohenen提出的SOFM方法等各种动态聚类RBF神经网络设计方法,此类方法的优点是能根据各聚类中心之间的距离确定各隐节点的扩展常数,缺点是此类方法也无法确定RBF神经网络隐节点数且这几种聚类过程速度较慢。因此,寻找能确定聚类数目和相应的数据中心的合理方法,是

收搞日期:2004-09-27 修回日期:2005-10-23 基金项目:国家自然科学基金(60274023)

作者简介:李国友(1972-),男,河北玉田县人,博士生,研究方向为图像处理、计算机控制;姚磊(1979-),男,天津人,硕士生,研究方向为模式识别;李惠光(1947-),男,博导,研究方向为计算机视觉;吴惕华(1937-),男,博导,研究方向为高级过程控制。

1

基于优化的RBF神经网络模式识别新方法

基于优化的RBF神经网络模式识别新方法

基于优化的RBF神经网络模式识别新方法

RBF神经网络的优化

1.1 RBF神经网络的结构及原理

RBF神经网络是一种具有拓扑结构的前向神经网络,由输入层、隐含层、输出层构成。输入层的任务是把输入数据简单的映射到隐含层,以实现非线性映射,并不对输入数据进行处理;隐含层中的函数是径向对称的径向基函数,对输入进行处理以后,为输出提供数据;隐含层与输出层之间是一种线性映射关系。

隐含层节点的作用函数对输入信号只在局部产生响应,只有当输入信号在靠近作用函数的中央范围处,隐含层节点才会产生较大的输出。在隐含层中的径向基函数一般取为高斯函数:

x ci

Ri(x)=exp(

2σi2

2

)i=1,2,......,m (1)

式(1)中,x是输入向量;ci是隐含层中第i个节点作用函数的数据中心,σi表示该作用函数所围绕中心点的宽度;m表

181

第1页

你可能喜欢

  • 电站设计
  • 销售成功
  • 任意进制计数器
  • 体育测量与评价
  • 系统的设计
  • 自动化毕业设计

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email