有教师的线性基本函数前向三层神经网络结构研究

优化选择隐节点数是人们在应用基于误差反传（BP）算法的有教师的线性基本函数（LBF）前向三层神经网络过程中首先遇到的一个十分重要而又困难的问题．本文从国内外大量应用实例中总结归纳出了一个初定这种网络隐节点数的经验公式，提出了一种判断所选隐节点数是否多余的具体方法，并从理论上做了详细的推导．两个应用实例表明，本文提出的经验公式是可靠的，判断隐节点数是否多余的新方法是简便的．

有教师的线性基本函数前向三层神经网络结构研究

从大量应用实例中总结归纳出了一个初定有教师的线性基本函数前向三层神经网络隐节点数的经验公式，提出了一种判断所选隐节点数是否多余的新方法。最后用两个实例予以验证。

径向—线性基本函数串联神经网络模式分类法与应用

本文提出了由两层径基函数网络和两层线性基本函数网络组成的串联神经网络快速模式分类方法。两个应用实例表明，这种新方法收敛速度快，分类精度高。

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数 ( RBF)网络和前向两层线性基本函数 ( LBF)网络的分类机理及其结构与初始参数优化确定方法 ,提出了 Guassian核函数的中心和宽度应通过学习自动确定 ,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数 ,并根据新增核函数对测试集的作用自动删除多余核函数的观点 ,从理论上阐明了采用 Sigmoid活化函数的两层LBF网络的分类阈值为 0 .5 ,进而提出了由两层 RBF网络和两层 LBF网络组成的前向 RBF神经网络——

改进的RBF神经网络模式分类方法应用研究

经典的 Bayes分类方法一般需要事先对样本的分布特性作出假设 ,当假设模型与样本实际分布情况不相符时 ,就难以得到较高的分类精度。当处理同类别多区域样本分布问题 ,例如变标签问题时 ,距离判别、Fisher判别、k-近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战 ,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的 RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算法大致相同。核函数生成既考虑了训练集样本自身的类别因素 ,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层 LBF网络对提高改进的 RBF网络分类正确率的极端重要性。大量应用实例表明 ,与前向三层 RBF网络和前向三层 LBF网络相比 ,该 IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点 。

RBF-LBF串联神经网络模式分类法快速测定微量甲醇

提出了由两层径基函数（RBF）和两层线性基本函数（LBF）网络组成的串联神经网络模式分类方法。对气敏传感器阵列测试八种浓度甲醇溶液挥发蒸汽所得到的样本集进行分类实验表明，这种模式分类方法速度快，分类精度高，优于前向三层径基函数网络和线性基本函数网络模式分类方法。