论文部分内容阅读
提出了一种混合加权距离测量（weighted distance measure ，weighted DM ）参数的构建和训练RBF（radial basis function）神经网络的两步批处理算法。该算法在引进了 DM 系数参数的基础上，采用Newton 法分别对径向基函数的覆盖参数、均值向量参数、加权距离测度系数以及输出权值进行了优化，并在优化过程中利用 OLS（orthogonal least squares）法来求解 New ton 法的方程组。通过实验数据，不仅分析了 New ton 法优化的各个参数向量对 RBF 网络训练的影响，而且比较了混合优化加权 DM 与RLS‐RBF（recursive least square RBF neural network）网络训练算法的收敛性和计算成本。所得到的结论表明整合了优化参数的加权 DM‐RBF 网络训练算法收敛速度比 RLS‐RBF 网络训练算法更快，而且具有比 LM‐RBF （Levenberg‐Marquardt RBF ）训练算法更小的计算成本，从而说明 OLS 求解的Newton 法对优化 RBF 网络参数具有重要应用价值。