基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加,构造一个径向基函数神经网络(RBFNN)所需样本及训练时间都急剧增加,得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想,提出了一种基于RBF的混合网络模型,通过最短距离均匀聚类方法划分样本空间,构造合适的子样本集和子网络模型对网络进行训练,与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低,网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景,适合于大样本神经网络的建模和训练问题。