¿Qué algoritmo de aprendizaje es mejor para la red neuronal rbf?
El diseño de la red RBF incluye el diseño estructural y el diseño de parámetros. El diseño estructural resuelve principalmente el problema de cómo determinar la cantidad de nodos ocultos en la red. El diseño de parámetros generalmente necesita considerar tres tipos de parámetros: el centro de datos y la constante de expansión de cada función básica, y el peso del nodo de salida. Cuando se utiliza la estructura de red Full RBF, el número de nodos ocultos es el número de muestras, el centro de datos de la función base es la muestra misma y el diseño de parámetros solo necesita considerar la constante de expansión y el peso del nodo de salida. Cuando se utiliza una estructura de red RBF generalizada, los problemas que el algoritmo de aprendizaje de red RBF debe resolver incluyen: cómo determinar el número de nodos ocultos en la red, cómo determinar el centro de datos y la constante de expansión de cada función de base radial, y cómo corregir el peso de salida.
Según el método de valor del centro de datos, los métodos de diseño de la red RBF se pueden dividir en dos categorías.
El primer tipo de método: el centro de datos selecciona a partir de la entrada de muestra. En términos generales, puede haber más puntos centrales en lugares con muestras densas y menos puntos centrales en lugares con muestras escasas. Si los datos en sí están distribuidos uniformemente, los puntos centrales también pueden distribuirse uniformemente; En resumen, el centro de datos seleccionado debe ser representativo. La constante de expansión de la función de base radial se determina en función de la dispersión del centro de datos. Para evitar que cada función de base radial sea demasiado pronunciada o demasiado plana, un método de selección es expandir la función de base radial a La constante se establece en. : max(d)/sqrt(2M), M es el número de puntos del centro de datos y max(d) es la distancia máxima entre los centros de datos seleccionados.
El segundo tipo de método: selección autoorganizada de centros de datos. A menudo se utilizan varios algoritmos de agrupación dinámica para autoorganizar la selección de centros de datos, y la ubicación del centro de datos debe ajustarse dinámicamente durante el proceso de aprendizaje. Un método comúnmente utilizado es el clustering K-means, que tiene la ventaja de poder determinar la constante de expansión de cada nodo oculto en función de la distancia entre los centros del cluster. Dado que la cantidad de nodos ocultos de una red RBF tiene un gran impacto en su capacidad de generalización, encontrar un método razonable para determinar la cantidad de clústeres es el primer problema que debe resolverse al diseñar una red RBF utilizando un método de agrupación. Además de los algoritmos de agrupamiento, también existen métodos de entrenamiento de gradientes, redes de asignación de recursos, RAN, etc.