模糊子空间聚类的径向基函数神经网络建模

摘要：

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降.针对此缺陷,根据模糊子空间聚类(fuzzy subspace clus-tering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN).与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间.当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能.模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性.

关键词：鲁棒性、径向基函数(RBF)、RBF神经网络、模糊子空间聚类、ε-不敏感损失函数

所属期刊栏目：9

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No. 61170122;the New Century Excellent Talent Foundation from MOE of China under Grant No. NCET-12-0882

在线出版日期：2015-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1513-1522