主权项 |
一种基于RBF神经网络的凸轮型线拟合方法,其特征在于:包括以下步骤:步骤一:建立RBF模型:RBF神经网络具有输入层、中间隐层、输出层节点,同层节点中没有任何耦合。输入信号从输入层输入,经过各隐层节点,然后传到输出节点。RBF网络可以看成是一从输入到输出的高度非线性映射,即f(x):R<sup>n</sup>→R<sup>m</sup>,。对于样本集合:输入x<sub>i</sub>(∈R<sup>n</sup>)和输出y<sub>i</sub>(∈R<sup>m</sup>),可以认为存在某一映射g使g(x<sub>i</sub>)=y<sub>i</sub>,i=1,2,…,n,现要求一映射f是g的最佳逼近。经过数次复合,可近似复杂的函数;步骤二:RBF模型减聚类学习算法:利用减聚类算法对学习样本聚类,得到合理的RBF函数的中心参数,并用自动终止聚类判据确定RBF函数数目;步骤三:RBF模型的训练算法:用梯度下降法对输出权值ω<sub>i</sub>进行调节,每一步计算出目标向量与RBF网络学习输出和中间量的误差平方和,当误差平方和达到设置的误差指标时,训练结束;步骤四:RBF神经网络模型误差指标评价:定义网络总误差为<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>E</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>p</mi></munderover><msub><mi>E</mi><mi>p</mi></msub><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>c</mi></munderover><msup><mrow><mo>(</mo><mi>d</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><mi>y</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>c</mi></munderover><msub><mi>e</mi><mi>j</mi></msub><mo>,</mo></mrow>]]></math><img file="FDA0000698572450000011.GIF" wi="940" he="168" /></maths>d(x<sub>j</sub>)—对应于第j个输入训练样本的期望输出;y(x<sub>j</sub>)—网络的实际输出。 |