计算机科学 ›› 2014, Vol. 41 ›› Issue (6): 260-263.doi: 10.11896/j.issn.1002-137X.2014.06.051
郝晓丽,张靖
HAO Xiao-li and ZHANG Jing
摘要: 针对传统径向基函数神经网络构造的网络分类器通常存在分类精度不高、训练时间长等缺陷,首先提出了一种改进的自适应聚类算法,用于确定分类器的隐含层节点。该算法通过筛选基于轮廓系数的优秀样本群,来寻找最佳初始聚类中心,避免了传统K-means算法易受初始聚类中心点影响,导致最终的分类效果严重偏离全局等情况的发生。其次,将该改进算法用于 构造 径向基函数神经网络分类器和快速有效地确定隐含层节点径向基函数中心及函数的宽度。最后,通过大量UCI数据集的实验和仿真,验证了改进算法在聚类时间、聚类轮廓系数及聚类正确率等方面具有优越性。同时,大量的仿真实验也证明了基于改进算法构造的RBF分类器具有更高的分类精度。
[1] 阮晓钢.神经计算科学[M].北京:国防工业出版社,2006 [2] 杨戈,吕剑虹,刘志远,等.一种新型RBF网络序贯学习算法[J].中国科学E辑,2004,34(7):763-775 [3] 倪友平,姜卫东,陈曾平.一种优化RBF神经网络训练算法及其在目标识别中的应用[J].测控技术,2005,194(3):18-20 [4] 穆云峰.RBF神经网络学习算法在模式分类中的应用研究[D].大连:大连理工大学,2006 [5] 郭伟.基于互信息的RBF神经网络结构优化设计[J].计算机科学,2013,40(6):252-255 [6] 张友民,李庆国,戴冠中,等.一种RBF网络结构优化方法[J].控制与决策,1996,11(6):667-671 [7] 高国平.基于径向基函数神经网络的企业信用评分研究[D].沈阳:东北大学,2007 [8] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000 [9] 武方方,赵银亮.一种基于蚁群聚类的径向基神经网[J].西安交通大学学报,2006,40(4):385-388 [10] 岳彩表,常青美,庞学民,等.基于聚类分析的RBF网络建模方法及应用的研究[J].计算机仿真,2006,23(1):120-123 [11] 傅德胜,周辰.基于密度的改进K均值算法及实现[J].计算机应用,2011,31(2):432-434 [12] 谢娟英,郭文娟,谢维信,等.基于样本空间分布密度的初始聚类中心优化K-均值算法[J].计算机应用研究,2012,29(3):888-892 [13] 陈光平,王文鹏,黄俊.一种改进初始聚类中心选择的K-means算法[J].小型微型计算机系统,2012,33(6):1320-1323 [14] 段明秀,唐超琳.一种基于密度的聚类算法实现[J].吉首大学学报,2013,34(1):26-27 [15] 李聪,封化民.基于多蚁型的蚁群聚类算法[J].北京电子科技学院学报,2012,20(4):6-12 [16] 刘一鸣,张化祥.引入信息增益的层次聚类算法[J].计算机工程与应用,2012,48(1):142-144 |
No related articles found! |
|