[1]张小鸣,王研顺.改进型RBF神经网络在线的学习算法[J].常州大学学报(自然科学版),2014,(01):52-56.[doi:10.3969/j.issn.2095-0411.2014.01.012]
　ZHANG Xiao-ming,WANG Yan-shun.Research on Improved OnLine Learning Algorithm of RBF Neural Network[J].Journal of Changzhou University(Natural Science Edition),2014,(01):52-56.[doi:10.3969/j.issn.2095-0411.2014.01.012]
点击复制

改进型RBF神经网络在线的学习算法()
分享到：

常州大学学报(自然科学版)[ISSN:2095-0411/CN:32-1822/N]

卷:
期数:
2014年01期
页码:
52-56
栏目:
出版日期:
2014-02-28

文章信息/Info

Title:
Research on Improved OnLine Learning Algorithm of RBF Neural Network
作者:
张小鸣；王研顺；
常州大学 信息科学与工程学院,江苏 常州 213164
Author(s):
ZHANG Xiao-ming; WANG Yan-shun
School of Information Science and Engineering,Changzhou University,Changzhou 213164,China
关键词:
径向基函数神经网络;  在线学习算法;  分级学习率
Keywords:
RBF neural network;  online learning algorithm;  hierarchical learning rate
分类号:
TP301.6
DOI:
10.3969/j.issn.2095-0411.2014.01.012
文献标志码:
A
摘要:
为了更好的满足嵌入式应用领域和实时性环境的要求,在资源分配网络(RAN)的基础上提出了一种改进型径向基函数(RBF)神经网络在线学习算法。在网络参数调整过程中引入了分级学习率因子,根据理论输出和网络输出误差绝对值的大小选择不同的学习率因子参与学习过程。在VC6.0编程环境中进行的软件仿真试验表明:相对于传统的RBF神经网络在线学习算法,改进型RBF神经网络在线学习算法在不增加网络规模的情况下可以进一步减小输出误差。
Abstract:
In order to meet the requirements of embedded applicationsand realtime environment better,an improved online learning algorithm of Radial Basis Function(RBF)neural network based on resource allocation network(RAN)is proposed.A hierarchical learning rate factor is introduced into this algorithm in the network parameter adjustment process.Different learning rate factorsare selected to take part in the learning process according to the absolute value of the error between theoretical output and network output.VC6.0 softwaresimulation experiments show that compared with the traditional RBF neural network online learning algorithm,the improved RBF neural network online learning algorithm can further reduce the output error without increasing the size of the network.

参考文献/References:

[1]NING Guang Liang,ZHANG Xiao Ming.An improved RBF network on-line learning algorithm[C]∥2nd International Symposium on Information Science and Engineering.Shanghai:IEEE Computer Society,2009:547-552.
[2]乔俊飞,韩红桂.RBF神经网络的结构动态优化设计[J].自动化学报,2010,36(6):865-872.
[3]梁斌梅,韦琳娜.改进的径向基函数神经网络预测模型[J].计算机仿真,2009,26(2):191-194.
[4]崔海青,刘希玉.基于粒子群算法的RBF网络参数优化算法[J].计算机技术与发展,2009,19(12):117-119.
[5]邢桂华,朱庆保.基于蚂蚁算法的RBF网络参数的两阶段优化[J].计算机工程与应用,2005(27):56-59.
[6]王宏刚,钱锋.基于遗传算法的前向神经网络结构优化[J].控制工程,2007,14(4):387-390.
[7]甘敏,彭晓燕,彭辉.RBF神经网络参数估计的两种混合优化算法[J].控制与决策,2009,24(8):1172-1176.
[8]张刚林,刘光灿.基于一种进化模型的RBF网络参数优化[J].控制工程,2010,17(3):313-315.
[9]卿启新,叶汉民.基于模糊RBF神经网络的无刷直流电机调速控制[J].化工自动化及仪表,2010,37(7):84-86.
[10]王君,朱莉,蔡之华.一种基于卡尔曼滤波和模糊控制的RBF神经网络新型学习算法[J].计算机应用,2006,26(7):1700-1705.
[11]张辉,柴毅.一种改进的RBF神经网络参数优化方法[J].计算机工程与应用,2012,48(20):146-149.
[12]王剑,薛飞.一种RBF神经网络的自适应学习算法[J].现代电子技术,2011,34(3):141-143.

备注/Memo

备注/Memo:
作者简介:张小鸣(1958-),男,安徽合肥人,教授。
更新日期/Last Update: 2014-02-20