徑向基函數(shù)（Radial Basis Function,RBF）神經(jīng)網(wǎng)絡(luò)是一種單隱層的三層前向網(wǎng)絡(luò),可以根據(jù)具體問(wèn)題確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),憑借其結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)速度快、能有效避免局部收斂和可以并行高速地處理大規(guī)模數(shù)據(jù)等優(yōu)良特性,廣泛應(yīng)用在模式識(shí)別、圖像識(shí)別、信號(hào)處理等領(lǐng)域。確定徑向基函數(shù)中心的數(shù)量、位置以及寬度是RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的重要工作,在工程實(shí)踐中一般需要通過(guò)某種聚類(lèi)算法來(lái)確定基函數(shù)中心及其相關(guān)參數(shù),應(yīng)用最普遍的就是K均值聚類(lèi)方法,但它需要預(yù)先設(shè)定初始凝聚點(diǎn)的個(gè)數(shù),這對(duì)于很多實(shí)際問(wèn)題是很難做到的,而且通過(guò)K均值聚類(lèi)方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)初始凝聚點(diǎn)的選取和異常值都特別敏感。針對(duì)這一問(wèn)題有學(xué)者提出了用系統(tǒng)聚類(lèi)的方法來(lái)確定基函數(shù)的中心,而系統(tǒng)聚類(lèi)和K均值聚類(lèi)在本質(zhì)上都屬于貪心算法,算法在每一步所做的決策都是對(duì)當(dāng)前狀態(tài)來(lái)說(shuō)是最優(yōu)的,這樣得到的最終解很可能不是全局最優(yōu)解,并且系統(tǒng)聚類(lèi)算法受異常值的影響也比較大且結(jié)果很可能聚成鏈狀。針對(duì)以上問(wèn)題,本文提出了運(yùn)用支持向量機(jī)（Support Vector Machine,SVM）聚類(lèi)確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心的方法,彌補(bǔ)了K均值聚類(lèi)和系統(tǒng)聚類(lèi)... 

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
英文摘要
1 引言
    1.1 研究的目的與意義
    1.2 國(guó)內(nèi)外研究動(dòng)態(tài)
        1.2.1 國(guó)內(nèi)外研究動(dòng)態(tài)
        1.2.2 國(guó)內(nèi)外研究動(dòng)態(tài)分析
    1.3 研究?jī)?nèi)容、方法和技術(shù)路線(xiàn)
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究方法
        1.3.3 研究的技術(shù)路線(xiàn)
2 RBF神經(jīng)網(wǎng)絡(luò)
    2.1 人工神經(jīng)網(wǎng)絡(luò)概述
    2.2 RBF神經(jīng)網(wǎng)絡(luò)的原理
        2.2.1 RBF神經(jīng)網(wǎng)絡(luò)基本思想
        2.2.2 RBF神經(jīng)網(wǎng)絡(luò)模型
    2.3 RBF神經(jīng)網(wǎng)絡(luò)性能分析
    2.4 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
    2.5 本章小結(jié)
3 基于SVC聚類(lèi)的基函數(shù)中心確定方法
    3.1 支持向量機(jī)
        3.1.1 統(tǒng)計(jì)學(xué)習(xí)理論與SVM
        3.1.2 線(xiàn)性可分支持向量機(jī)與硬間隔最大化
        3.1.3 線(xiàn)性支持向量機(jī)與軟間隔最大化
        3.1.4 非線(xiàn)性支持向量機(jī)與核函數(shù)
    3.2 支持向量機(jī)聚類(lèi)
        3.2.1 支持向量機(jī)聚類(lèi)
        3.2.2 支持向量機(jī)聚類(lèi)算法
    3.3 SVC聚類(lèi)效果分析
    3.4 基函數(shù)中心和個(gè)數(shù)的確定
    3.5 本章小結(jié)
4 基于SVC的RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用與分析
    4.1 在函數(shù)擬合問(wèn)題中的應(yīng)用
    4.2 在分類(lèi)問(wèn)題上的應(yīng)用
    4.3 在非線(xiàn)性時(shí)間序列預(yù)測(cè)問(wèn)題上的應(yīng)用
    4.4 本章小結(jié)
5 結(jié)論與討論
    5.1 結(jié)論
    5.2 討論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于最小二乘的孿生有界支持向量機(jī)分類(lèi)算法[J]. 業(yè)巧林,閆賀.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]基于支持向量機(jī)的健康狀態(tài)評(píng)估方法[J]. 張春,舒敏.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(03)
[3]海量數(shù)據(jù)的支持向量機(jī)優(yōu)化挖掘方法[J]. 李清霞.  現(xiàn)代電子技術(shù). 2018(06)
[4]一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)在農(nóng)機(jī)總動(dòng)力預(yù)測(cè)中的應(yīng)用[J]. 潘琪,王福林,吳志輝,方堃.  農(nóng)機(jī)化研究. 2018(07)
[5]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[6]模擬退火優(yōu)化SVM參數(shù)的變壓器故障診斷[J]. 謝榮斌,張霖,鄢小虎,楊俊,盧文華.  計(jì)算機(jī)測(cè)量與控制. 2015(05)
[7]基于改進(jìn)自適應(yīng)聚類(lèi)算法的RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)與實(shí)現(xiàn)[J]. 郝曉麗,張靖.  計(jì)算機(jī)科學(xué). 2014(06)
[8]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J]. 石東源,熊?chē)?guó)江,陳金富,李銀紅.  中國(guó)電機(jī)工程學(xué)報(bào). 2014(04)
[9]基于支持向量機(jī)的目標(biāo)檢測(cè)算法綜述[J]. 郭明瑋,趙宇宙,項(xiàng)俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[10]人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計(jì)工程. 2011(24)

博士論文
[1]基于SVM的網(wǎng)絡(luò)流量特征降維與分類(lèi)方法研究[D]. 曹杰.吉林大學(xué) 2017
[2]半監(jiān)督支持向量機(jī)模型與算法研究[D]. 閆辛.上海大學(xué) 2016
[3]兩類(lèi)新型神經(jīng)網(wǎng)絡(luò)及其在非線(xiàn)性系統(tǒng)控制中的應(yīng)用[D]. 姚賽.東北石油大學(xué) 2015
[4]基于數(shù)據(jù)建模的輪軌力載荷辨識(shí)理論和應(yīng)用研究[D]. 郭劍峰.中國(guó)鐵道科學(xué)研究院 2015
[5]基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D]. 盧金娜.中北大學(xué) 2015
[6]BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D]. 王吉權(quán).沈陽(yáng)農(nóng)業(yè)大學(xué) 2011

碩士論文
[1]徑向基函數(shù)方法在分?jǐn)?shù)階微分方程數(shù)值解中的應(yīng)用[D]. 錢(qián)紀(jì)光.浙江工商大學(xué) 2018
[2]徑向基神經(jīng)網(wǎng)絡(luò)基函數(shù)中心確定方法改進(jìn)研究[D]. 潘琪.東北農(nóng)業(yè)大學(xué) 2017
[3]基于深度學(xué)習(xí)的刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)的研究[D]. 林楊.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[4]基于熱輻射與紋理特征的硅酸鹽巖石遙感識(shí)別[D]. 韋佳黎.中國(guó)地質(zhì)大學(xué)(北京) 2017
[5]基于機(jī)器學(xué)習(xí)算法在數(shù)據(jù)分類(lèi)中的應(yīng)用研究[D]. 楊志輝.中北大學(xué) 2017
[6]基于PSO的自組織RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)及應(yīng)用研究[D]. 周文冬.北京工業(yè)大學(xué) 2016
[7]基于支持向量排序的分割聚類(lèi)算法研究[D]. 栗寒冰.吉林大學(xué) 2016
[8]徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究[D]. 張義.山東理工大學(xué) 2016
[9]基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法及其應(yīng)用[D]. 馬云龍.吉林大學(xué) 2015
[10]基于PNN的板材孔洞缺陷紅外熱波檢測(cè)及其識(shí)別技術(shù)[D]. 符正晴.華東交通大學(xué) 2014



本文編號(hào)：3667793