收稿日期:2009-04-01基金项目:国家自然科学基金项目资助(60775050;新世纪优秀人才支持计划基金(NCET-07-0887作者简介:张雨浓(1973,男,河南信阳人,教授,博士,研究方向:人工神经网络(E-mail:ynzhang@ieee.org;李克讷(1978,男,广西贵港人,博士研究生,研究方向:人工神经网络。文章编号:1003-6199(200903-0005-05中心、方差及权值直接确定的RBF神经网络分类器张雨浓1,李克讷1,谭!宁2(1.中山大学信息科学与技术学院,广东广州!510275;2.中山大学软件学院,广东广州!510275!!摘!要:模式分类是径向基函数(RBF神经网络应用的一个重要方面,目前大多数RBF网络都采用迭代学习的方法。区别于反复迭代训练而得到网络参数的惯常做法,重新探讨一种基于矩阵伪逆或逆的中心、方差及权值可直接确定的方法。并基于此方法构建一种模式识别分类器,对IRIS分类问题进行计算机仿真验证。结果表明,相对于迭代法,该直接确定方法具有更快的计算速度,构建的RBF神经网络分类器也具有良好的分类性能。关键词:RBF神经网络;分类;中心;方差;权值直接确定;模式识别中图分类号:TP183!!!!!!文献标识码:AAnRBFNeuralNetworkClassifierwithCenters,VariancesandWeightsDirectlyDeterminedZHANGYunong1,LIKene1,TANNing2(1.SchoolofInformationScienceandTechnology,SunYat-SenUniversity,Guangzhou!510275,China;2.SchoolofSoftware,SunYat-SenUniversity,Guangzhou!510275,China!!Abstract:Patternclassificationisanimportantapplicationofradialbasisfunction(RBFneuralnetworks.Atpresent,iterativetrainingmethodsarewidelyadoptedbythemajorityofRBFneuralnetworks.Differentfromtheusualwayofobtainingthenetworkparametersviaiterativetraining,akindofcenters,variancesandweightsdirectdeterminationmethodisrevisitedbasedonmatrixpseudo-inverseand/orinverseinthispaper.Usingthepresentedmethod,aclassifierforpatternrecognitionisconstructedwhichresolvestheIRISclassificationproblem.Computersimulationresultsshowthat,comparedtoiterativetraining,thedirect-determinationmethodhasfastercomputationalspeed,andtheconstructedRBF-neural-networkclassifieralsohasquitegoodclassificationperformance.Keywords:RBFneuralnetwork;classification;centers;variances;weightsdirectdetermination;patternrecognition1!引!言RBF神经网络是一种常见的单隐层前向神经网络模型[1-4],以其简单的网络结构、快速的学习方法、较好的推广能力,在故障诊断、模式识别、自动控制、预测控制和交通信息预测等方面得到了广泛的应用[2-6]。理论上已经证明了只要隐层神经元个数可任意设定,BP神经网络就能以任意精度逼近任何连续目标函数[7-8]。而与BP神经网络相比,RBF神经网络同样具有较优的学习速度、逼近能力和分类能力[1,8]。然而,目前的人工神经网络(包括RBF神经网络学习算法大多是采用迭代训练的方法学习得到网络隐层与输出层神经元之间的连接权值[8],迭代学习时间相对较长,网络结构也有确定的问题。本文在矩阵逆与伪逆的基础上重新探讨了RBF神经网络的一种中心、方差及权值直接确定的方法,避免了冗长的迭代学习过程;并应用该RBF神经网络构造了一种模式识别分类器,就IRIS分类问题[9]来检验本方法的有效第28卷第3期2009年9月计!算!技!术!与!自!动!化ComputingTechnologyandAutomationVol28,No3!Sep.2009性和分类性能。2!RBF神经网络简述[1-6,8,10-16]RBF神经网络是一种三层前向神经网络,包括输入层、隐含层和输出层[2,4-6,8,10-13]。RBF神经网络的性能很大程度上受自身的网络拓扑结构影响,而决定网络性能与结构的因素主要有四个:径向基函数(RBF的中心矢量、方差、隐层神经元数目以及隐含层到输出层神经元之间的连接权值[1,4,10,13-14]。RBF神经网络学习训练过程主要围绕这四个因素进行,从而建立起了一个从输入到输出的映射模型。径向基函数的方差参数决定了隐神经元对外部输入信号的响应范围,每个隐神经元的中心点位置和响应宽度范围可以是不同的,分别负责各自的局部映射动作[3,11,14]。当输入信号靠近某个隐神经元中...