基于支持向量机的径向基网络基函数中心确定方法研究
发布时间：2022-08-01 16:31
径向基函数（Radial Basis Function,RBF）神经网络是一种单隐层的三层前向网络,可以根据具体问题确定网络的拓扑结构,凭借其结构简单、学习速度快、能有效避免局部收敛和可以并行高速地处理大规模数据等优良特性,广泛应用在模式识别、图像识别、信号处理等领域。确定径向基函数中心的数量、位置以及宽度是RBF神经网络结构设计的重要工作,在工程实践中一般需要通过某种聚类算法来确定基函数中心及其相关参数,应用最普遍的就是K均值聚类方法,但它需要预先设定初始凝聚点的个数,这对于很多实际问题是很难做到的,而且通过K均值聚类方法构建的神经网络结构对初始凝聚点的选取和异常值都特别敏感。针对这一问题有学者提出了用系统聚类的方法来确定基函数的中心,而系统聚类和K均值聚类在本质上都属于贪心算法,算法在每一步所做的决策都是对当前状态来说是最优的,这样得到的最终解很可能不是全局最优解,并且系统聚类算法受异常值的影响也比较大且结果很可能聚成链状。针对以上问题,本文提出了运用支持向量机（Support Vector Machine,SVM）聚类确定RBF神经网络基函数中心的方法,弥补了K均值聚类和系统聚类...
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1 引言
1.1 研究的目的与意义
1.2 国内外研究动态
1.2.1 国内外研究动态
1.2.2 国内外研究动态分析
1.3 研究内容、方法和技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 研究的技术路线
2 RBF神经网络
2.1 人工神经网络概述
2.2 RBF神经网络的原理
2.2.1 RBF神经网络基本思想
2.2.2 RBF神经网络模型
2.3 RBF神经网络性能分析
2.4 RBF神经网络的学习方法
2.5 本章小结
3 基于SVC聚类的基函数中心确定方法
3.1 支持向量机
3.1.1 统计学习理论与SVM
3.1.2 线性可分支持向量机与硬间隔最大化
3.1.3 线性支持向量机与软间隔最大化
3.1.4 非线性支持向量机与核函数
3.2 支持向量机聚类
3.2.1 支持向量机聚类
3.2.2 支持向量机聚类算法
3.3 SVC聚类效果分析
3.4 基函数中心和个数的确定
3.5 本章小结
4 基于SVC的RBF神经网络的应用与分析
4.1 在函数拟合问题中的应用
4.2 在分类问题上的应用
4.3 在非线性时间序列预测问题上的应用
4.4 本章小结
5 结论与讨论
5.1 结论
5.2 讨论与展望
致谢
参考文献
攻读硕士学位期间发表的学术论文
【参考文献】：
期刊论文
[1]基于最小二乘的孪生有界支持向量机分类算法[J]. 业巧林,闫贺. 华中科技大学学报(自然科学版). 2018(03)
[2]基于支持向量机的健康状态评估方法[J]. 张春,舒敏. 计算机系统应用. 2018(03)
[3]海量数据的支持向量机优化挖掘方法[J]. 李清霞. 现代电子技术. 2018(06)
[4]一种改进的RBF神经网络在农机总动力预测中的应用[J]. 潘琪,王福林,吴志辉,方堃. 农机化研究. 2018(07)
[5]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[6]模拟退火优化SVM参数的变压器故障诊断[J]. 谢荣斌,张霖,鄢小虎,杨俊,卢文华. 计算机测量与控制. 2015(05)
[7]基于改进自适应聚类算法的RBF神经网络分类器设计与实现[J]. 郝晓丽,张靖. 计算机科学. 2014(06)
[8]基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J]. 石东源,熊国江,陈金富,李银红. 中国电机工程学报. 2014(04)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[10]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
博士论文
[1]基于SVM的网络流量特征降维与分类方法研究[D]. 曹杰.吉林大学 2017
[2]半监督支持向量机模型与算法研究[D]. 闫辛.上海大学 2016
[3]两类新型神经网络及其在非线性系统控制中的应用[D]. 姚赛.东北石油大学 2015
[4]基于数据建模的轮轨力载荷辨识理论和应用研究[D]. 郭剑峰.中国铁道科学研究院 2015
[5]基于优化算法的径向基神经网络模型的改进及应用[D]. 卢金娜.中北大学 2015
[6]BP神经网络的理论及其在农业机械化中的应用研究[D]. 王吉权.沈阳农业大学 2011
硕士论文
[1]径向基函数方法在分数阶微分方程数值解中的应用[D]. 钱纪光.浙江工商大学 2018
[2]径向基神经网络基函数中心确定方法改进研究[D]. 潘琪.东北农业大学 2017
[3]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[4]基于热辐射与纹理特征的硅酸盐岩石遥感识别[D]. 韦佳黎.中国地质大学(北京) 2017
[5]基于机器学习算法在数据分类中的应用研究[D]. 杨志辉.中北大学 2017
[6]基于PSO的自组织RBF神经网络优化设计及应用研究[D]. 周文冬.北京工业大学 2016
[7]基于支持向量排序的分割聚类算法研究[D]. 栗寒冰.吉林大学 2016
[8]径向基函数神经网络的优化研究[D]. 张义.山东理工大学 2016
[9]基于主成分分析的RBF神经网络预测算法及其应用[D]. 马云龙.吉林大学 2015
[10]基于PNN的板材孔洞缺陷红外热波检测及其识别技术[D]. 符正晴.华东交通大学 2014
本文编号：3667793
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1 引言
1.1 研究的目的与意义
1.2 国内外研究动态
1.2.1 国内外研究动态
1.2.2 国内外研究动态分析
1.3 研究内容、方法和技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 研究的技术路线
2 RBF神经网络
2.1 人工神经网络概述
2.2 RBF神经网络的原理
2.2.1 RBF神经网络基本思想
2.2.2 RBF神经网络模型
2.3 RBF神经网络性能分析
2.4 RBF神经网络的学习方法
2.5 本章小结
3 基于SVC聚类的基函数中心确定方法
3.1 支持向量机
3.1.1 统计学习理论与SVM
3.1.2 线性可分支持向量机与硬间隔最大化
3.1.3 线性支持向量机与软间隔最大化
3.1.4 非线性支持向量机与核函数
3.2 支持向量机聚类
3.2.1 支持向量机聚类
3.2.2 支持向量机聚类算法
3.3 SVC聚类效果分析
3.4 基函数中心和个数的确定
3.5 本章小结
4 基于SVC的RBF神经网络的应用与分析
4.1 在函数拟合问题中的应用
4.2 在分类问题上的应用
4.3 在非线性时间序列预测问题上的应用
4.4 本章小结
5 结论与讨论
5.1 结论
5.2 讨论与展望
致谢
参考文献
攻读硕士学位期间发表的学术论文
【参考文献】：
期刊论文
[1]基于最小二乘的孪生有界支持向量机分类算法[J]. 业巧林,闫贺. 华中科技大学学报(自然科学版). 2018(03)
[2]基于支持向量机的健康状态评估方法[J]. 张春,舒敏. 计算机系统应用. 2018(03)
[3]海量数据的支持向量机优化挖掘方法[J]. 李清霞. 现代电子技术. 2018(06)
[4]一种改进的RBF神经网络在农机总动力预测中的应用[J]. 潘琪,王福林,吴志辉,方堃. 农机化研究. 2018(07)
[5]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[6]模拟退火优化SVM参数的变压器故障诊断[J]. 谢荣斌,张霖,鄢小虎,杨俊,卢文华. 计算机测量与控制. 2015(05)
[7]基于改进自适应聚类算法的RBF神经网络分类器设计与实现[J]. 郝晓丽,张靖. 计算机科学. 2014(06)
[8]基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J]. 石东源,熊国江,陈金富,李银红. 中国电机工程学报. 2014(04)
[9]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[10]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
博士论文
[1]基于SVM的网络流量特征降维与分类方法研究[D]. 曹杰.吉林大学 2017
[2]半监督支持向量机模型与算法研究[D]. 闫辛.上海大学 2016
[3]两类新型神经网络及其在非线性系统控制中的应用[D]. 姚赛.东北石油大学 2015
[4]基于数据建模的轮轨力载荷辨识理论和应用研究[D]. 郭剑峰.中国铁道科学研究院 2015
[5]基于优化算法的径向基神经网络模型的改进及应用[D]. 卢金娜.中北大学 2015
[6]BP神经网络的理论及其在农业机械化中的应用研究[D]. 王吉权.沈阳农业大学 2011
硕士论文
[1]径向基函数方法在分数阶微分方程数值解中的应用[D]. 钱纪光.浙江工商大学 2018
[2]径向基神经网络基函数中心确定方法改进研究[D]. 潘琪.东北农业大学 2017
[3]基于深度学习的刀具磨损状态监测技术的研究[D]. 林杨.中国科学技术大学 2017
[4]基于热辐射与纹理特征的硅酸盐岩石遥感识别[D]. 韦佳黎.中国地质大学(北京) 2017
[5]基于机器学习算法在数据分类中的应用研究[D]. 杨志辉.中北大学 2017
[6]基于PSO的自组织RBF神经网络优化设计及应用研究[D]. 周文冬.北京工业大学 2016
[7]基于支持向量排序的分割聚类算法研究[D]. 栗寒冰.吉林大学 2016
[8]径向基函数神经网络的优化研究[D]. 张义.山东理工大学 2016
[9]基于主成分分析的RBF神经网络预测算法及其应用[D]. 马云龙.吉林大学 2015
[10]基于PNN的板材孔洞缺陷红外热波检测及其识别技术[D]. 符正晴.华东交通大学 2014
本文编号：3667793
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3667793.html
