RBF神经网络的改进及其应用研究

论文摘要

RBF神经网络具有结构简单、学习速度快、拟合精度较高、泛化能力较强和不易陷入局部极小等优点,被广泛应用于函数逼近、分类、时间序列预测等诸多领域。虽然常用RBF网络比较容易构建,但其结构通常固定或者所用算法复杂度较高,浪费了网络资源,也使得学习时间相对较长,有通过改进来缩短学习时间的可能性。因此,为进一步改善传统RBF网络的性能,本文在前人工作的基础上提出了两种改进型网络—DLCRBF和HUCRAN。DLCRBF网络在传统RBF网络的结构基础上增加了输入层直接到达输出层的线性连接,算法上用最近邻聚类首先对数据进行聚类,可实现在线学习,然后用梯度法调节网络参数达到最优,使得改进后的网络在学习速度和泛化能力等方面均优于传统网络。本文将RAN算法和相关性剪枝策略相结合并结合主元分析的数据预处理方法提出了HUCRAN网络,它融合了RAN算法可以构建结构紧凑的网络,实现在线学习,学习过程中样本无需重复输入的优点,以及相关性剪枝算法可以精简网络结构,提高泛化能力的优点,一定程度上弥补了原有算法各自的不足。将上述两种改进网络及算法分别应用到大乙烯生产装置主要出口产品质量预测和上市公司财务预警赢利能力建模问题中,仿真结果表明改进后的网络及算法较改进之前具备更好的整体性能,适用于辅助变量与被测变量间存在高度复杂性和非线性关系的对象的建模,证明了本文所提出的改进方法的有效性和可行性。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 引言
• 1.1 人工神经网络发展历史及现状
• 1.2 RBF神经网络的发展简史
• 1.3 本文的主要研究内容及结构
• 2 RBF神经网络及其学习算法
• 2.1 RBF神经网络
• 2.1.1 RBF神经网络结构
• 2.1.2 RBF神经网络与MLP的比较
• 2.2 RBF神经网络学习算法
• 2.2.1 随机选取固定中心
• 2.2.2 中心的自组织选择
• 2.2.2.1 自组织学习阶段
• 2.2.2.2 监督学习阶段
• 2.2.3 中心的监督选择
• 3 DLCRBF神经网络及其应用
• 3.1 DLCRBF神经网络
• 3.1.1 DLCRBF神经网络的拓扑结构
• 3.1.2 DLCRBF神经网络的学习算法
• 3.2 DLCRBF神经网络的应用实例
• 3.2.1 乙烯生产中纯度的软测量建模
• 3.2.2 丙烯生产中杂质丙烷含量的监测
• 3.2.3 DLCRBF网络在上市公司财务预警赢利能力建模上的应用
• 4 隐节点合成的资源分配网络（HUCRAN）及其应用
• 4.1 资源分配网络
• 4.1.1 RAN网络结构
• 4.1.2 学习算法
• 4.1.3 算法实现
• 4.1.4 RAN的优点与缺点
• 4.2 相关性剪枝方法
• 4.2.1 隐节点相关情况分析
• 4.2.2 隐节点合成方法
• 4.2.2.1 隐节点合成时刻
• 4.2.2.2 隐节点合成条件
• 4.2.2.3 隐节点合成方法
• 4.2.2.4 隐节点合成的算法实现
• 4.2.2.5 隐节点合成算法的缺点
• 4.3 用隐节点合成算法改进的RAN算法
• 4.4 HUCRAN神经网络的应用实例
• 4.4.1 HUCRAN在乙烯生产纯度监测中的应用
• 4.4.2 HUCRAN在丙烯生产纯度监测中的应用
• 4.4.3 HUCRAN网络在上市公司财务预警赢利能力建模上的应用
• 5 结束语
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢