导　　师： 谢维信

授予学位： 博士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 分类是人类活动中最常见的决策任务之一。当前,用于分类的神经网络算法及模型已经广泛应用于科学、工业和医学等不同领域中。尽管各种神经网络算法及模型已经取得了较大发展,但由于算法及模型的差异性,以及不同的非线性问题所呈现出的多样性和复杂性,传统的神经网络分类器在某些复杂问题上其网络性能往往有限。典型的深度学习中的卷积神经网络,在网络结构上增加多个不同类型的隐藏层,可以实现对复杂问题的分类处理。一般的做法是先将输入样本经过卷积核的映射,其输出经过一系列的处理后,再与多层感知器(MLP)相级联,然后利用反向传播(BP)算法实现各层权值的更新。然而,将径向基核函数(RBF)与BP网络相级联处理,当前还没有很好地研究。针对有监督分类问题,本文以构造优化的神经网络分类器和相匹配的学习算法为实现目标,主要围绕RBF网络结构及核参数的优化选取、RBF混合结构神经网络分类器设计以及核整体划分思想的分类方法这几项内容展开,以完成不同非线性问题的优化分类。在研究过程中,取得了以下研究成果:1.提出一种前置核的RBF-BP混合结构神经网络。将RBF网络结构与BP网络结构进行级联调整,其中原有的RBF网络隐藏层的输出进行一定处理后与BP网络的隐藏层相级联。在该网络分类器当中,RBF网络用于实现原始样本的局部化核映射,BP网络用于非线性分类。通过这种方式,可以将RBF网络的局部非线性映射能力与BP网络的全局非线性分类能力相结合。实验结果表明,本文所提网络结构可以改善单一的RBF网络及BP网络的分类性能,同时降低了对RBF网络及BP网络隐节点参数选择的依赖。2.提出一种核数自适应学习的RBF-BP混合结构神经网络分类器。充分利用了每类训练样本的空间分布信息,通过引入势函数密度聚类的方式来度量样本�

关 键 词： 核学习 径向基函数 混合结构 自适应 神经网络 分类

领　　域： []