RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构
22交通与计算机 2007年第6期 第25卷 总139期
RBF网络实现从输入空间到隐含层空间的
非线性变换依赖于RBF中心的数目、位置及作用
图1 路网组成基本单元的划分
域宽度,鉴于中心的选择对网络学习的重要性,所以很多算法及其改进算法都是针对中心的选择进行的。最常用的确定高斯函数中心参数的方法有竞争学习法、正交最小二乘K2means聚类算法、法等。确定权系数一般采用最小二乘法[3]。2.2 基于RBF神经网络的通行能力预测模型
2 基于RBF神经网络的通行能力预
测模型
2.1 径向基函数神经网络的基本结构和学习算
法
构成径向基函数(radialbasisfunction,
RBF)神经网络的基本思想是:用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量直接(即不通过权连接)映射到隐空间。当RBF的中心确定以后,这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的,即网络的输出是隐单元输出的线性加权和。从结构上看,径向基(RBF)神经网络属于多层前向网络。
它是一种3层前向网络,如图2所示。输入层由信号源节点组成;第2层为隐含层,的问题而定,数;第3,。
利用RBF网络结构自适应确定、输出与初始权值无关等特性,采用Matlab7.0的神经网络工具箱为设计、分析工具,将其应用于不利天气下城市道路通行能力的预测。用RBF神经网络预测道路通行能力的具体步骤为:①分析不利天气下影响道路通行能力的各种因素,确定输入变量;②,转换为神经网络训练的样本模式;RBF神经网络的创建,获,。,各变量之间的相关关系经过训练而隐含于网络权值之中。对于一对无关的数据,训练网络不会收敛,以此确定合理的选择所需的变量,达到建模的目的。其具体步骤如下:①将所有认为相关的数据作为网络输入;②完成对RBF神经网络的强制训练;③逐一对各变量做强制为0的检验,从而判断出相关与不相关数据。通过以上方法将不相关或相关性不强的数据去掉后,重新训练模型,使模型更为精简和准确[4]。
图2 RBF网络结构示意图
2.2.2 输入变量的归一化
图2表示了一个多输入单输出且具有m个隐层神经元的RBF网络模型的结构图,输入层有n个神经元,用X=(x1,x2,…,xn)′表示;隐层有m个神经元,5=(<1,<2,…<n)为“基函数”,它是隐单元的激励输出,隐层与输出层连接权系数用Ξ=(Ξ1,Ξ2,…,Ξn)′表示;输出层有1个神经元。因为输入层节点只是传递输入信号到隐层,所以取输入层节点与隐层节点之间的权系数为1,则隐层节点的输出为:<i=<(‖X-Ci‖ i)(i=1,2,…,
m)。式中:<为激励函数,即径向基函数;X为输
神经网络可以处理不同来源的数据,然而它只能处理有一定格式的数据,而且数据的格式会
影响网络的学习效果,因此在进行网络训练之前需对输入变量进行必要的处理。所谓归一化,就是将具有不同尺度、属于不同区间的样本矢量的各个分量化到相同的区间,从而使样本的各个分量具有相同的尺度,在此采用最大值、最小值处理方法,转换关系如下:
设X=(x1,x2,…,xn)′,对于X的任意一维xi都存在一个域Oi,则存在xmax∈Oi是O
i上的最大值,xmin∈Oi是Oi上的最小值,因此可对X的每一维xi进行归一化为
xi=k
′
入样本;Ci为第i个隐层节点的基函数中心参数向量; i为第i个隐层节点的基函数宽度参数;‖X-Ci‖为欧几里德范数。
xmax+a
-xmin
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库基于RBF神经网络的不利天气道路通行能力计算(2)在线全文阅读。
相关推荐：