發(fā)布時間：2021-04-10 15:04

　　在引入智能優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中,智能優(yōu)化算法的控制參數(shù)對該算法的學(xué)習(xí)性能影響很大.為此,提出了一種基于單形進化的徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法.該算法基于單形鄰域的全隨機搜索方法減少算法控制參數(shù),借助群體的多角色態(tài)保持粒子的多樣性,避免算法陷入局部極值點.仿真結(jié)果表明:相比于其他算法,該算法訓(xùn)練的徑向基神經(jīng)網(wǎng)絡(luò)不僅有效提高了識別率,而且減少了控制參數(shù)對學(xué)習(xí)性能的影響,提高了算法的普適性與魯棒性. 

【文章來源】：應(yīng)用科學(xué)學(xué)報. 2019,37(04)北大核心CSCD

【文章頁數(shù)】：10 頁

【文章目錄】：
1 RBF神經(jīng)網(wǎng)絡(luò)
2 基于單形進化的RBF神經(jīng)網(wǎng)絡(luò)算法
    2.1 單形進化智能優(yōu)化算法
    2.2 基于單形進化的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
3 基于單形進化的RBF神經(jīng)網(wǎng)絡(luò)的仿真實驗
    3.1 仿真數(shù)據(jù)來源
        3.1.1 手寫體MNIST數(shù)據(jù)庫
        3.1.2 UCI數(shù)據(jù)庫中的Wine數(shù)據(jù)
    3.2 仿真步驟
    3.3 仿真結(jié)果
        3.3.1 手寫體MNIST數(shù)據(jù)庫
        3.3.2 UCI數(shù)據(jù)庫中的Wine數(shù)據(jù)
4 結(jié)語


【參考文獻】：
期刊論文
[1]基于量子門組的卷積神經(jīng)網(wǎng)絡(luò)設(shè)計與實現(xiàn)[J]. 許興陽,劉宏志.  計算機工程與應(yīng)用. 2018(20)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識別系統(tǒng)[J]. 陳巖,李洋洋,余樂,王瑤,吳超,李陽光.  微電子學(xué)與計算機. 2018(02)
[3]A Surface-Simplex Swarm Evolution Algorithm[J]. QUAN Haiyan,SHI Xinling.  Wuhan University Journal of Natural Sciences. 2017(01)
[4]基于改進自適應(yīng)聚類算法的RBF神經(jīng)網(wǎng)絡(luò)分類器設(shè)計與實現(xiàn)[J]. 郝曉麗,張靖.  計算機科學(xué). 2014(06)
[5]基于統(tǒng)計和結(jié)構(gòu)特征的手寫數(shù)字識別研究[J]. 雙小川,張克.  計算機工程與設(shè)計. 2012(04)
[6]基于多小波神經(jīng)網(wǎng)絡(luò)簇輪廓伸展的手寫體數(shù)字識別[J]. 黃同成,丁友東.  中南大學(xué)學(xué)報(自然科學(xué)版). 2006(02)



本文編號：3129854