本文将介绍三种相似但细节各异的神经网络:RBF神经网络、GRNN神经网络和PNN神经网络。 它们在基础结构上具有一致性,但处理方式有所不同。
RBF神经网络是一种前向型网络,其隐含层与输入层的连接权值非随机设定。 以精确型RBF为例,样本通过连接权值和欧氏距离运算后,与阈值相乘并经RBF活函数处理。 隐含层权值确定方式是将训练集输入转置作为权重矩阵。 spre ad参数对输出有显著影响,合适的spre ad有助于提高预测准确性。
GRNN神经网络对RBF的限性,如对异常样本敏感。 其结构与RBF相似,但输出层与隐含层权值计算不同,直接使用训练集输出矩阵。 同样,spre ad参数在GRNN中也起到关键作用。
PNN在RBF和GRNN的基础上,隐含层与输出层的连接权值类似GRNN,但预测阶段采用竞争函数C,而非线性函数。 其结构与前两者相似,但输出处理方法不同。
本文涉及到的创建网络的函数有newrbe、newgrnn和newpnn,它们接受训练集输入(P)、输出(T)和spre ad参数。 此外,cputime用于计算时间消耗,round、ceil、floor、fix等是取整函数,length和find则是矩阵作函数。
章节将通过实际例子和代码深入探讨。
RBF神经网络算法是由三层结构组成,输入层至隐层为非线性的空间变换,一般选用径向基函数的高斯函数进行运算;从隐层至输出层为线性空间变换,即矩阵与矩阵之间的变换。
RBF神经网络进行数据运算时需要确认聚类中心点的位置及隐层至输出层的权重。 通常,选用K-means聚类算法或最小正交二乘法对数据大量的进行训练得出聚类中心矩阵和权重矩阵。
一般情况下,最小正交二乘法聚类中心点的位置是给定的,因此比较适合分布相对规律的数据。 而K-means聚类算法则会自主选取聚类中心,进行无监督分类学习,从而完成空间映射关系。
RBF网络特点
RBF网络能够近任意非线性的函数(因为使用的是一个部的活函数。 在中心点附近有最大的反应;越接近中心点则反应最大,远离反应成指数递减;就相当于每个神经元都对应不同的感知域)。
可以处理系统内难以解析的规律性,具有很好的泛化能力,并且具有较快的学习速度。
有很快的学习收敛速度,已成功应用于非线性函数近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控和故障诊断等。
当网络的一个或多个可调参数(权值或阈值)对任何一个输出都有影响时,这样的网络称为全近网络。 由于对于每次输入,网络上的每一个权值都要调整,从而导致全近网络的学习速度很慢,比如BP网络。
上一篇:rbf神经网络算法原理
下一篇:rbf神经网络是什么意思