导读:本文包含了基函数中心论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,径向基函数神经网络,基函数中心,聚类
基函数中心论文文献综述
吴志辉[1]（2018）在《基于支持向量机的径向基网络基函数中心确定方法研究》一文中研究指出径向基函数(Radial Basis Function,RBF)神经网络是一种单隐层的叁层前向网络,可以根据具体问题确定网络的拓扑结构,凭借其结构简单、学习速度快、能有效避免局部收敛和可以并行高速地处理大规模数据等优良特性,广泛应用在模式识别、图像识别、信号处理等领域。确定径向基函数中心的数量、位置以及宽度是RBF神经网络结构设计的重要工作,在工程实践中一般需要通过某种聚类算法来确定基函数中心及其相关参数,应用最普遍的就是K均值聚类方法,但它需要预先设定初始凝聚点的个数,这对于很多实际问题是很难做到的,而且通过K均值聚类方法构建的神经网络结构对初始凝聚点的选取和异常值都特别敏感。针对这一问题有学者提出了用系统聚类的方法来确定基函数的中心,而系统聚类和K均值聚类在本质上都属于贪心算法,算法在每一步所做的决策都是对当前状态来说是最优的,这样得到的最终解很可能不是全局最优解,并且系统聚类算法受异常值的影响也比较大且结果很可能聚成链状。针对以上问题,本文提出了运用支持向量机(Support Vector Machine,SVM)聚类确定RBF神经网络基函数中心的方法,弥补了K均值聚类和系统聚类等传统聚类算法的不足。本文首先介绍了RBF神经网络的结构、原理和学习算法,简单介绍了几种确定基函数中心的方法。其次介绍了支持向量机的基本原理,然后介绍了支持向量机在分类问题应用的理论基础,并给出了不同核函数下鸢尾花数据集的分类效果示例。最后将基于支持向量机聚类确定基函数中心的方法应用到RBF神经网络的构建中,实验其性能,并与之前在这方面表现较好的系统聚类训练的RBF网络做了全方位对比,验证了改进方法的有效性。本文取得的主要研究成果有:(1)研究提出了用支持向量机聚类来确定RBF神经网络径向基函数中心的新方法,并给出了这种方法的计算方法与相关模型。通过分析支持向量机聚类的原理与过程并与系统聚类法确定基函数中心训练的RBF神经网络进行对比,得出了新方法训练的网络在收敛速度、拟合精度、分类准确性和预测精度等方面表现更好的结论。(2)通过编程进行算法的仿真实验,证明了算法的可行性。运用MATLAB和PYTHON语言,设计并实现了基于支持向量机聚类确定基函数的RBF神经网络。(3)通过叁个实例验证了本文提出的支持向量机聚类方法构建的RBF神经网络在解决农业工程实际问题中的有效性。将用支持向量机聚类(Support Vector Clustering,SVC)确定基函数中心方法构建的RBF神经网络应用于函数拟合问题、分类问题和非线性时间序列预测问题中,得到了较好的结果。将改进的RBF神经网络与运用系统聚类方法构建的RBF神经网络进行了全方位的对比,证明了新方法的可行性和有效性。(本文来源于《东北农业大学》期刊2018-06-01）
潘琪[2]（2017）在《径向基神经网络基函数中心确定方法改进研究》一文中研究指出径向基函数(Radial Basis Function,RBF)神经网络是一种局部逼近的叁层前馈型神经网络,相比于其它前馈型神经网络有结构简单、收敛速度快、不会陷入局部最小值点等优点,受到了极大关注并在许多领域得到了广泛应用。在RBF神经网络的构建过程中,运用k-means聚类方法确定基函数中心的学习算法需要预先给出初始聚类中心,当给定的初始聚类中心不同时,得到的基函数中心可能是不同的,导致网络训练结果不稳定,并且网络隐含层神经元的个数需要提前给出,但往往网络结构是不能预先确定的。针对这一问题,提出了运用系统聚类确定基函数中心的方法,从而有效的解决了RBF神经网络对初始聚类中心敏感的问题。本文首先介绍了RBF神经网络的基本原理,对不同RBF神经网络的结构和性能进行了分析,指出各种网络的特点和需要注意的问题。研究了RBF神经网络几种常用的学习算法,分析了几种确定基函数中心方法的流程和各自的优缺点。分析了系统聚类的基本原理及操作步骤,介绍了确定基函数中心过程中计算样本间距和类间距的多种方法,并根据聚类过程中类间距的变化情况给出了聚类停止条件,描述了其基本思想和操作方法。将用系统聚类确定基函数中心的方法应用到神经网络的构建中,介绍了改进网络训练的流程和详细步骤。在理论基础上进行改进方法的程序设计,并用实例对改进方法的有效性进行验证,最终取得的主要研究成果有:(1)研究提出了用系统聚类来确定基函数中心的新方法,并给出了这种方法的详细计算方法与步骤。将这种方法与其它方法进行对比,分析给出了这种方法的优越性。通过分析系统聚类的原理与过程,得出了新方法相比于传统方法不需要预先给出基函数中心初始点的结论,有效的避免了网络对基函数中心初始值选取敏感的问题。(2)研究给出了一种确定基函数个数的新方法。在研究系统聚类各种样本间距和类间距计算方法的基础上,提出了用类间距变化量之间的关系作为判断迭代是否停止的条件,不再需要预先给出隐含层神经元的个数,可以自组织的构建神经网络。(3)通过编程实现了算法,证明了算法的可实现性。运用MATLAB平台,设计并实现了用系统聚类确定基函数中心的方法构建神经网络。(4)利用叁个实例验证了本文提出的改进方法在解决实际问题中的有效性。将用系统聚类确定基函数中心方法构建的RBF神经网络应用于函数逼近问题、分类问题、时间序列预测问题中,得到了较好的结果。将传统的基于k-means聚类方法构建的神经网络和运用系统聚类方法构建的神经网络实验结果进行比较,证明了改进方法的可行性和有效性。(本文来源于《东北农业大学》期刊2017-06-01）
黄铭,刘俊[3]（2012）在《深基坑开挖位移多点监测模型及径向基函数神经网络计算中心的FCM确定》一文中研究指出为建立合理的基坑多测点位移监测模型,采用径向基函数神经网络(RBF)为基本框架,从位移力学机制选择网络输入层,以相关联的多个测点位移为输出层,发挥RBF网络非线性映射功能的同时,根据基坑的开挖进展和位移特征,采用有针对性的预选RBF计算中心与模糊C均值聚类(FCM)算法,共同确定计算中心。实例表明,该计算方法更具合理性,且能获得理想的训练和预测效果。(本文来源于《工业建筑》期刊2012年03期）
朱明星,张德龙[4]（2000）在《RBF网络基函数中心选取算法的研究》一文中研究指出首先介绍RBF网络基函数中心的随机选取算法 ,然后研究自组织学习算法选取RBF基函数中心方法 ,最后给出一种最近邻聚类学习算法。通过系统辨识的实例仿真 ,对几种算法进行了深入分析与详细比较(本文来源于《安徽大学学报(自然科学版)》期刊2000年01期）
基函数中心论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
径向基函数(Radial Basis Function,RBF)神经网络是一种局部逼近的叁层前馈型神经网络,相比于其它前馈型神经网络有结构简单、收敛速度快、不会陷入局部最小值点等优点,受到了极大关注并在许多领域得到了广泛应用。在RBF神经网络的构建过程中,运用k-means聚类方法确定基函数中心的学习算法需要预先给出初始聚类中心,当给定的初始聚类中心不同时,得到的基函数中心可能是不同的,导致网络训练结果不稳定,并且网络隐含层神经元的个数需要提前给出,但往往网络结构是不能预先确定的。针对这一问题,提出了运用系统聚类确定基函数中心的方法,从而有效的解决了RBF神经网络对初始聚类中心敏感的问题。本文首先介绍了RBF神经网络的基本原理,对不同RBF神经网络的结构和性能进行了分析,指出各种网络的特点和需要注意的问题。研究了RBF神经网络几种常用的学习算法,分析了几种确定基函数中心方法的流程和各自的优缺点。分析了系统聚类的基本原理及操作步骤,介绍了确定基函数中心过程中计算样本间距和类间距的多种方法,并根据聚类过程中类间距的变化情况给出了聚类停止条件,描述了其基本思想和操作方法。将用系统聚类确定基函数中心的方法应用到神经网络的构建中,介绍了改进网络训练的流程和详细步骤。在理论基础上进行改进方法的程序设计,并用实例对改进方法的有效性进行验证,最终取得的主要研究成果有:(1)研究提出了用系统聚类来确定基函数中心的新方法,并给出了这种方法的详细计算方法与步骤。将这种方法与其它方法进行对比,分析给出了这种方法的优越性。通过分析系统聚类的原理与过程,得出了新方法相比于传统方法不需要预先给出基函数中心初始点的结论,有效的避免了网络对基函数中心初始值选取敏感的问题。(2)研究给出了一种确定基函数个数的新方法。在研究系统聚类各种样本间距和类间距计算方法的基础上,提出了用类间距变化量之间的关系作为判断迭代是否停止的条件,不再需要预先给出隐含层神经元的个数,可以自组织的构建神经网络。(3)通过编程实现了算法,证明了算法的可实现性。运用MATLAB平台,设计并实现了用系统聚类确定基函数中心的方法构建神经网络。(4)利用叁个实例验证了本文提出的改进方法在解决实际问题中的有效性。将用系统聚类确定基函数中心方法构建的RBF神经网络应用于函数逼近问题、分类问题、时间序列预测问题中,得到了较好的结果。将传统的基于k-means聚类方法构建的神经网络和运用系统聚类方法构建的神经网络实验结果进行比较,证明了改进方法的可行性和有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基函数中心论文参考文献
[1].吴志辉.基于支持向量机的径向基网络基函数中心确定方法研究[D].东北农业大学.2018
[2].潘琪.径向基神经网络基函数中心确定方法改进研究[D].东北农业大学.2017
[3].黄铭,刘俊.深基坑开挖位移多点监测模型及径向基函数神经网络计算中心的FCM确定[J].工业建筑.2012
[4].朱明星,张德龙.RBF网络基函数中心选取算法的研究[J].安徽大学学报(自然科学版).2000