RBF网络的鲁棒最小二乘学习算法
DOI:
CSTR:
作者:
作者单位:

江南大学

作者简介:

谢振平

通讯作者:

中图分类号:

TP183

基金项目:


RBF Network Learning Algorithm Using Robust Least-Squares
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    首先, 针对径向基函数(RBF)神经网络参数学习中最小二乘法(LS)难以获得较高鲁棒性的问题, 假定训练数据扰动上界可知, 并基于鲁棒最小二乘原理, 提出一种RBF网的最优鲁棒参数学习算法; 然后分析指出, 扰动上界可依据训练数据集自适应学习估计; 最后通过实验分析结果表明了所提算法具有较高的参数鲁棒学习能力. 与LS相似, 新算法无额外参数, 易于实际应用.

    Abstract:

    How to obtain the high robustness in radius basis function(RBF) learning is a trouble. Therefore, with the
    supposition that the perturbation of training dataset is bounded, a RBF network learning algorithm is proposed in terms of the robust least-square principle. Moreover, a strategy of estimating perturbation bound is proposed. Experimental analysis shows that the proposed method has effective robust learning performance. Similar to standard least square algorithm, no additional parameters are needed for the proposed algorithm, which is benefit to more practical applications.

    参考文献
    相似文献
    引证文献
引用本文

谢振平 王士同. RBF网络的鲁棒最小二乘学习算法[J].控制与决策,2010,25(4):502-506

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2009-05-05
  • 最后修改日期:2009-06-18
  • 录用日期:
  • 在线发布日期: 2010-04-20
  • 出版日期:
文章二维码