一种RBF神经网络的自适应学习算法

以x(x=x1，x2)为输入矢量，其中，x1和x2分别以1为间隔在区间[0，9]内均匀取值，一共得到100组输入数据(x1，x2)。选取ε=0．02，θ=0．3，ρ1=0．1，ρ2=0．05。经过20次训练，最后得到的网络具有41个隐层节点，系统的均方误差为0．023 3。拟合后的曲面图像如图3所示。

(2)对θ取不同值时的比较，结果如表1～表3所示。

4 结语
针对RBF神经网络隐层节点的参数和数量难以确定的问题，提出了一种自适应的学习算法。该算法事先不需要确定隐层节点的中心位置和数量，而是通过相应的添加和删除策略实现的。添加策略是根据输出误差在输入空间分布的不均匀而提出的，通过执行相应的操作可以使隐层节点的数目在学习过程中自适应的增加。同时，为了使隐层节点数目不过于膨胀，还制定了删除策略。它先分析每个隐层节点对整个网络所作的贡献，然后删除贡献小的节点，以保持网络结构简单。仿真研究表明，该网络不仅灵活性高，结构简单，精度高，而且具有较好的泛化能力。