类域界面方程法中，不能求线性不可分情况下分类问题近似或精确解_

类域界面方程法中，不能求线性不可分情况下分类问题近似或精确解的方法是？

转自http://blog.csdn.net/skyxmstar/article/details/56494344，维权请告知，及时删除。伪逆法 RBF（Radial Basis Function）径向基函数神经网络的学习算法 RBF网络需要学习的参数有3个：基函数的中心ci，方差σi以及隐含层与输出层间的权值Wi，根据径向基函数中心选取方法的不同，最常见的学习方法有：自组织选取中心法、正交最小二乘法等方法。自组织学习过程中确定ci和σi的方法是聚类方法。聚类方法就是把样本聚成几类，以类中心作为各RBF函数的中心，常用的方法有k均值聚类法。权值W的学习算法可用LMS(最小均方误差)方法、也可直接用伪逆法或最小二乘法求解。其中LMS权值W的调整规则为：这里X(n)为隐含层输出；w(n)为权值向量；d(n)为期望输出；η为学习速率；n为迭代次数。 RBF神经网络结构简单，其设计比普通前向网络训练要省时得多。如果隐层神经元的数目足够，每一层的权值和阈值正确，那么RBF函数网络就完全能够精确地逼近任意函数，方便地存储和表征照明计算、建筑电气计算所需的大量非线性数据。势函数：势函数的构造是人工势场方法中的关键问题，典型的势函数构造方法：P(θ)=f{d(θ,θ0),[dR(θ),O],dT}(1)，式中 θ，θ0——机器人当前位姿与目标位姿矢量；d(θ,θ0)——θ与θ0间的某种广义距离函数；dR(θ)，O——当前位姿下机器人与障碍物间的最小距离；dT——给定的门限值；P(θ)分别为变量d(θ,θ0)和dR(θ)，O的单调递增函数和单调递减函数。从机器人的起始位姿开始沿着P(θ)的下降方向进行搜索可使机器人在避开障碍物的前提下向目标位姿运动。基于二次准则函数的H-K算法较之于算法的优点 HK算法的思想很朴实，就是在最小均方误差准则下求得权矢量。它相对于感知器算法的优点在于，它适用于线性可分和非线性可分的情况。对于线性可分的情况，给出最优权矢量，对于分线性可分的情况，能够判别出来，以退出迭代过程。感知器（Perceptron）感知器是由美国计算机科学家罗森布拉特（F.Roseblatt）于1957年提出的。感知器可谓是最早的人工神经网络。单层感知器是一个具有一层神经元、采用阈值激活函数的前向网络。通过对网络权值的训练，可以使感知器对一组输人矢量的响应达到元素为0或1的目标输出，从而实现对输人矢量分类的目的。图4．1给出了单层感知器神经元模型图。

类域界面方程法中，不能求线性不可分情况下分类问题近似或精确解

问题信息

热门推荐

相关试题