正文內容

基于數學原理的神經網絡(文件)

2026-01-23 17:18 上一頁面

下一頁面

　

【正文】 x N G ( X , X1) G ( X , XP) G ( X , X2) ∑ ∑ ∑ … y 1 y 2 y l 正則化 RBF網絡 13 當采用正則化 RBP網絡結構時，隱節點數即樣本數，基函數的數據中心即為樣本本身，參數設計只需考慮擴展常數和輸出節點的權值。若兩類樣本是非線性可分的，則不存在一個這樣的分類超平面。 18 廣義 RBF網絡由于正則化網絡的訓練樣本與“基函數”是一一對應的。隱層對輸入向量進行變換，將低維輸入空間的模式變換到高維隱層空間內，使得在低維空間中線性不可分問題在高維空間中變得線性可分。 ⑷輸出函數的線性中包含閾值參數，用于補償基函數在樣本集上的平均值與目標值之平均值之間的差別。第二類方法：數據中心的自組織選擇。 )0(,),0(),0( M21 ccc ?⑵ 計算輸入空間各樣本點與聚類中心點的歐式距離 )( kjp cX ? M,2,1,2,1 ?? ?? jPp ；廣義 RBF網絡數據中心的聚類算法 24 Ppkj jpjp ,2,1)(min)(* ???? ，cXX⑶ 相似匹配。重復上述過程直到的改變量小于要求的值。 ?最小均方算法 (LMS) ?偽逆法直接計算 ?梯度下降算法 28 隱層輸出矩陣為 RBF網絡的待定輸出權值為網絡輸出向量為 ],. .. ,[ 21 M?WdWΦ ??MPpj ?? ][? ?Φ29 W可用的偽逆求出 Φ? ?Φ?dΦW ?? ?T1T ?)??(? ΦΦΦΦ ?? ?30 RBF網絡與多層感知器的比較： ① 隱層數 ②隱層和輸出層神經元模型 ③隱層和輸出層激活函數 ④激活函數的自變量 —— 基 ⑤全局逼近與局部逼近。令 ijij ccd ?? m i n則擴展常數取 jj dδ ??λ為重疊系數。 pX *j)(,),(),( M21 kkk UUU ?25 ⑷ 更新各類的聚類中心。 23 Kmeans聚類算法確定數據中心 ⑴ 初始化。

點擊復制文檔內容

畢業設計相關推薦

基于數學原理的神經網絡(文件)

bp神經網絡ppt課件-資料下載頁

ding神經網絡ppt課件-資料下載頁

基于神經網絡的金融風險評估研究-資料下載頁

基于神經網絡pid控制器的設計-資料下載頁

基于量子神經網絡的短期電力負荷預測-資料下載頁

基于神經網絡的金融風險評估研究-資料下載頁

模糊神經網絡ppt課件-資料下載頁

反饋神經網絡ppt課件-資料下載頁

神經網絡答辯ppt課件-資料下載頁

神經網絡pappt課件-資料下載頁

神經網絡－hopfield網絡(論文資料)-資料下載頁

神經網絡ppt課件(2)-資料下載頁

神經網絡概述ppt課件-資料下載頁

線性神經網絡ppt課件-資料下載頁

神經網絡介紹ppt課件-資料下載頁

基于數學原理的神經網絡-展示頁

基于數學原理的神經網絡-在線瀏覽

基于數學原理的神經網絡-閱讀頁

基于數學原理的神經網絡(文件)

基于數學原理的神經網絡-全文預覽