摘要:本论文分析了两类用于分类问题的径向基函数神经网络学习算法。这两种算法使用一种启发式的方法来确定网络中隐藏神经元的中心，数量和扩展范围。这两种算法以最大化每个神经元能够覆盖的数据数量的方式，使得网络能够用更少数量的隐藏神经元实现更高的效率，使网络学习的过程变得快速和简单。每个神经元覆盖一些同类的训练数据，终止条件是覆盖所有训练数据或神经元数量达到最大。在每一步中，新神经元中心的选择基于它覆盖范围的最大化。神经元覆盖范围的最大化使得网络具有更少的神经元，更低的VC维度和更好的泛化属性。使用了高斯函数作为隐藏神经元的激活函数。将基于此方法构建的径向基函数神经网络应用于一些多分类数据集，在分类准确率与训练时间方面的性能良好，并且将此算法与其他径向基函数算法进行比较，显示出的性能也令人满意。

关键词：径向基函数神经网络，学习规则，中心确定算法，最大覆盖，模式识别

目录

中文摘要

Abstract

摘要-1

Abstract-2

第一章 绪论-3

1.1 研究背景及研究意义-3

1.2 国内外研究现状-4

1.3 本文主要研究内容及章节安排-5

第二章 RBF神经网络简介-6

2.1 RBF神经网络的发展史-6

2.2 中心位置的确定对RBF神经网络的重要意义-6

2.3 RBF神经网络的结构及特点-7

第三章 RBF神经网络的学习算法-8

3.1 基于最大扩散的学习规则-8

3.2 基于最大数据覆盖的学习规则-10

第四章 激活函数及输出层-13

4.1 激活函数-13

4.2 输出层的权重-13

第五章 实验结果及分析-15

5.1 两种算法在不同数据集下的性能比较-15

5.2 与其他RBF算法的比较-18

第六章 总结-20

参考文献-21

致谢-23