一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法
【專利摘要】本發(fā)明公開了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法，首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，然后利用以“聚類中心距離”優(yōu)化K?means聚類算法中的“個(gè)體距離”的優(yōu)化型K?means聚類算法得到隱含層神經(jīng)元個(gè)數(shù)、聚類中心和擴(kuò)展常數(shù)，再用正交最小二乘法學(xué)習(xí)隱含層到輸出層的權(quán)值，最終得到RBFNN插值算法。本發(fā)明通過(guò)基于優(yōu)化K?means聚類算法的徑向基神經(jīng)網(wǎng)絡(luò)溫度插值算法，對(duì)初始聚類中心的選取進(jìn)行改進(jìn)，優(yōu)化聚類方式，提高聚類效率，改善數(shù)據(jù)插值精度，從而優(yōu)化了基于K?means聚類算法的徑向基神經(jīng)網(wǎng)絡(luò)溫度插值的插值精度和效率，提高了插值的準(zhǔn)確性。
【專利說(shuō)明】
一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法，屬于天氣預(yù)測(cè)和預(yù)警技術(shù) 領(lǐng)域。
【背景技術(shù)】
[0002] 所謂插值算法，是指按一定準(zhǔn)則加以自動(dòng)分析、綜合，利用已有數(shù)據(jù)，得到更多區(qū) 域的數(shù)據(jù)，彌補(bǔ)數(shù)據(jù)源的不足。地面溫度數(shù)據(jù)主要來(lái)源于自動(dòng)氣象站提供的實(shí)時(shí)信息，由于 受氣象站數(shù)目有限、空間環(huán)境、通信質(zhì)量等諸多因素的影響，實(shí)時(shí)溫度數(shù)據(jù)中常有缺失數(shù) 據(jù)，如果不及時(shí)處理，會(huì)降低溫度數(shù)據(jù)集的連續(xù)性，影響溫度數(shù)據(jù)的實(shí)時(shí)可用性。目前，插值 方法有鄰近數(shù)據(jù)關(guān)聯(lián)、多元回歸法、空間插值等，這些方法實(shí)現(xiàn)了數(shù)據(jù)的插值，同時(shí)也存在 著不足。鄰近數(shù)據(jù)替補(bǔ)法不能保證數(shù)據(jù)的實(shí)時(shí)有效性，多元回歸算法針對(duì)數(shù)據(jù)連續(xù)缺測(cè)情 況不能達(dá)到良好的效果，空間插補(bǔ)法需要參考定時(shí)定區(qū)域各溫度數(shù)據(jù)，計(jì)算復(fù)雜，數(shù)據(jù)量 大，在單個(gè)站點(diǎn)的實(shí)時(shí)數(shù)據(jù)處理中不能取得很好的實(shí)用性。針對(duì)以上問(wèn)題，有學(xué)者提出基于 K-means聚類的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFNN(Radial Basis Function Neural Network)插 值算法。
[0003] 該插值算法能保證數(shù)據(jù)的實(shí)時(shí)有效性，并且可以處理大量數(shù)據(jù)。但是，K-means聚 類算法初始聚類中心影響聚類結(jié)果，從而很難達(dá)到最佳聚類效果，而且該算法根據(jù)經(jīng)驗(yàn)確 定隱含層神經(jīng)元個(gè)數(shù)，從而使結(jié)果具有主觀性。以上兩問(wèn)題均影響訓(xùn)練效果和插值精度。
[0004] RBFNN是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一種3層前向型神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含一 個(gè)輸入層、一個(gè)具有徑向基神經(jīng)元的隱含層和一個(gè)具有線性神經(jīng)元的輸出層。第一層是由 輸入節(jié)點(diǎn)組成，輸入節(jié)點(diǎn)的個(gè)數(shù)等于輸入向量的維數(shù)，第二層是隱含層，由直接與輸入節(jié)點(diǎn) 相連的基函數(shù)組成，第三層是輸出層，該層是由線性單元組成，線性單元與所有隱含節(jié)點(diǎn)相 連。RBFNN最終的輸出是各隱含層節(jié)點(diǎn)輸出的線性加權(quán)和。隱含層是非線性的，采用徑向基 函數(shù)作為基函數(shù)，將輸入向量空間轉(zhuǎn)換到隱含層空間，使低維線性不可分的問(wèn)題變得高維 線性可分，輸出層則是線性的。RBFNN需要求解的參數(shù)有3個(gè):隱含層中基函數(shù)的中心、隱含 層中基函數(shù)的擴(kuò)展常數(shù)及隱含層與輸出層間的權(quán)值。隱含層中基函數(shù)的中心和隱含層與輸 出層間的權(quán)值是RBFNN設(shè)計(jì)的重點(diǎn)。根據(jù)徑向基函數(shù)中心確定方法的不同，RBFNN有不同的 學(xué)習(xí)策略。最常見的有4種：隨機(jī)選取固定中心、自組織選取中心、有監(jiān)督選取中心、正交最 小二乘法。目前，最常用的是自組織選取中心法，該方法包括下面兩個(gè)階段：
[0005] (1)自組織學(xué)習(xí)階段，估計(jì)出徑向基函數(shù)的中心和擴(kuò)展常數(shù)；
[0006] (2)有監(jiān)督學(xué)習(xí)階段，學(xué)習(xí)隱含層到輸出層的權(quán)值。
[0007]自組織學(xué)習(xí)階段，采用聚類的方法找出合理的中心位置，最常見的聚類方法是K-means聚類算法，擴(kuò)展常數(shù)由聚類結(jié)果求得。有監(jiān)督學(xué)習(xí)階段，采用正交最小二乘法學(xué)習(xí)權(quán) 值。
[0008] K-means聚類算法存在以下不足：
[0009] (1)根據(jù)經(jīng)驗(yàn)確定隱含層神經(jīng)元個(gè)數(shù)，無(wú)法確保隱含層神經(jīng)元個(gè)數(shù)選取的有效性；
[0010] (2)初始聚類中心C1(KiSK)隨機(jī)選取，不同的初始聚類中心得到不同的聚類結(jié) 果，即聚類結(jié)果的隨機(jī)性比較強(qiáng)；
[0011] (3)K-means聚類算法雖然能夠完成最終的聚類，但是易陷入局部最優(yōu)解的困境， 不能保證該聚類中心是全局最優(yōu)解，因此影響網(wǎng)絡(luò)的插值結(jié)果和插值精度。

【發(fā)明內(nèi)容】

[0012] 為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法， 在RBFNN的基礎(chǔ)上，采用優(yōu)化的K-means聚類算法代替?zhèn)鹘y(tǒng)的K-means聚類算法，提高了溫度 插值精度。
[0013] 為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案如下：
[0014] -種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法，包括以下步驟：
[0015] 1)輸入原始樣本數(shù)據(jù)X，并進(jìn)行歸一化，得到歸一化數(shù)據(jù)XTrain，作為聚類樣本輸入 數(shù)據(jù)，
[0016] (1).
[0017]其中，max( 1? I)表示第j列原始樣本數(shù)據(jù)要素&的最大值，叫是第i組原始樣本數(shù)據(jù) 的第j列數(shù)據(jù)要素值，$為歸一化處理后的數(shù)?
表示第i列歸一化處理后的數(shù)據(jù)，N表示歸一化處理后的數(shù)據(jù)列數(shù)；
[0018] 2)計(jì)算第p次聚類樣本輸入數(shù)據(jù)XTrain中各列數(shù)據(jù)之間兩兩歐式距離，得到第p次聚 類樣本輸入數(shù)據(jù)的距離矩陣DIST p:
[0019]
r>
[0020] 其中，||^-f Ii表示第i列聚類樣本輸入數(shù)據(jù)和第j列聚類樣本輸入數(shù)據(jù)之間的 歐式距離；
[0021] 3)計(jì)算聚類樣本輸入數(shù)據(jù)的接受域半徑distancep，計(jì)算公式如式(3):
[0022] distanceP=mean(DISTP) (3)
[0023] 其中，mean函數(shù)用于計(jì)算距離矩陣DISTp*所有元素的平均值；
[0024] 4)根據(jù)距離矩陣DISTP，找出歐式距離最短的兩個(gè)聚類樣本輸入數(shù)據(jù)向量I；無(wú)， 作為本次聚類的初始聚類中心向量；
[0025] 5)按公式(4)計(jì)算第P次聚類Class_p的初始聚類中心向量Center_p，
[0026]
(4)
[0027] 6)計(jì)算余向量丨XTrain-Class_p}中的向量與當(dāng)前初始聚類中心向量Center_p之間 的距離，提取所有距離中小于聚類樣本輸入數(shù)據(jù)的接受域半徑相對(duì)應(yīng)的余向量{X Train-Class_p}中的聚類樣本輸入數(shù)據(jù)向量，將提取得到的向量歸為Class_p;所述余向量指的是 經(jīng)過(guò)之前的P-I次聚類之后剩余的向量；
[0028] 7)計(jì)算余向量{XTrain-Class_p}是否為空，若是空則聚類完成，進(jìn)入下一步;否則， 令P遞增I，令計(jì)算的余向量作為新的聚類樣本輸入數(shù)據(jù)XTrain，重新返回步驟2);
[0029] 8)得到聚類中心向量集Center如式(5):
[0030] Center =[Center_l,Center_2,···,Center_p] (5)
[0031 ]得到聚類樣本數(shù)據(jù)的接受域半徑集DISTANCE如式(6):
[0032] DISTANCE= [distancei ,distance〗，…，distanceP] (6)，
[0033] 9)采用正交最小二乘法學(xué)習(xí)權(quán)值，步驟如下：
[0034] 9-1)確定隱含層節(jié)點(diǎn)個(gè)數(shù)K，確定徑向基函數(shù)的中心c;
[0035] 9-2)分別計(jì)算輸入樣本的徑向基函數(shù)，得出由徑向基函數(shù)組成的矩陣
[0036] 9-3)正交化矩陣P，得到矩陣B，A，其中，A是一個(gè)K*K的上三角陣，主對(duì)角線元素為 1，Β是一個(gè)1*Κ矩陣，各列正交；
[0037] 9-4)根據(jù) g = B-1Y,計(jì)算 g;
[0038] 其中，Y為期望輸出：）"=_，+匕
[0039]
[0040]
[0041] Co1為第i個(gè)隱含層節(jié)點(diǎn)到輸出節(jié)點(diǎn)間的權(quán)值，y(n)為模型的期望輸出， e為誤差， 為第i個(gè)徑向基函數(shù)，^是輸入數(shù)據(jù)與第i個(gè)聚類中心之間的歐式距離；
[0042] 9-5)根據(jù)Αω =g求出權(quán)值ω。
[0043] 本發(fā)明通過(guò)基于優(yōu)化K-means聚類算法的徑向基神經(jīng)網(wǎng)絡(luò)溫度插值算法，對(duì)初始 聚類中心的選取進(jìn)行改進(jìn)，優(yōu)化聚類方式，提高聚類效率，改善數(shù)據(jù)插值精度，從而優(yōu)化了 基于K-means聚類算法的徑向基神經(jīng)網(wǎng)絡(luò)溫度插值的插值精度和效率，提高了插值的準(zhǔn)確 性。
【附圖說(shuō)明】
[0044] 圖1為本發(fā)明和基于傳統(tǒng)的K-means聚類算法、OLS算法的RBFNN溫度數(shù)據(jù)訓(xùn)練結(jié)果 對(duì)比圖；
[0045] 圖2為本發(fā)明和基于傳統(tǒng)的K-means聚類算法、OLS算法的RBFNN溫度數(shù)據(jù)測(cè)試輸出 對(duì)比圖；
[0046] 圖3為本發(fā)明和基于傳統(tǒng)的K-means聚類算法、OLS算法的RBFNN溫度數(shù)據(jù)測(cè)試輸出 誤差對(duì)比圖；
[0047] 圖4為本發(fā)明算法流程圖。
【具體實(shí)施方式】
[0048] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。以下實(shí)施例僅用于更加清楚地說(shuō)明本發(fā)明 的技術(shù)方案，而不能以此來(lái)限制本發(fā)明的保護(hù)范圍。
[0049] 本發(fā)明針對(duì)初始聚類中心和隱含層神經(jīng)元個(gè)數(shù)對(duì)RBFNN訓(xùn)練效果和插值精度的影 響，提出基于優(yōu)化型K-means聚類算法和正交最小二乘法的RBFNN插值算法。首先對(duì)數(shù)據(jù)進(jìn) 行歸一化處理;然后利用以"聚類中心距離"優(yōu)化K-means聚類算法中的"個(gè)體距離"的優(yōu)化 型K-means聚類算法得到隱含層神經(jīng)元個(gè)數(shù)、聚類中心和擴(kuò)展常數(shù);再用正交最小二乘法 0LS(0rthogonal Least Square)學(xué)習(xí)隱含層到輸出層的權(quán)值，最終得到RBFNN插值算法。
[0050] 本發(fā)明針對(duì)不同的初始聚類中心對(duì)聚類結(jié)果產(chǎn)生的影響提出一種基于"聚類中心 距離"的優(yōu)化K-means聚類算法，聚類中心數(shù)目由算法自適應(yīng)決定，避免經(jīng)驗(yàn)不足導(dǎo)致聚類 中心數(shù)目選取不當(dāng)。
[0051 ]本發(fā)明的算法如圖4所示，包括以下步驟：
[0052]步驟1:歸一化處理原始樣本數(shù)據(jù)X，得到歸一化數(shù)據(jù)XTrain，作為聚類樣本輸入數(shù) 據(jù)，
[0053；
⑴
[0054]其中，max( |X」）表示第j列原始樣本數(shù)據(jù)要素 Xj的最大值，Xlj是第i組原始樣本數(shù) 據(jù)的第j列數(shù)據(jù)要素值，ζ為歸一化處理后的數(shù)據(jù)，歸一化處理后的數(shù)據(jù)的范圍為[-1.0， 1.0]，J^_=dX2,Jf 3，".,Jf_v)，Ζ;.，ζ·_=_1，2表不第i列歸一化處理后的數(shù)據(jù)，N表不 歸一化處理后的數(shù)據(jù)有N列。
[0055] 步驟2:計(jì)算第p次聚類樣本輸入數(shù)據(jù)XTrain中各列數(shù)據(jù)之間兩兩歐式距離，得到第p 次聚類樣本輸入數(shù)據(jù)的距離矩陣DISTp，
[0056]
(2:)
[0057] 其中，Il為-Xy Il表示第i列聚類樣本輸入數(shù)據(jù)和第j列聚類樣本輸入數(shù)據(jù)之間的 歐式距離。
[0058]步驟3:計(jì)算聚類樣本輸入數(shù)據(jù)的接受域半徑distancep，計(jì)算公式如式(3):
[0059] distanceP=mean(DISTP) (3)
[0060] 其中，mean函數(shù)用于計(jì)算距離矩陣DISTA所有元素的平均值。
[0061]步驟4:根據(jù)距離矩陣DISTP，找出歐式距離最短的兩個(gè)聚類樣本輸入數(shù)據(jù)向量 U乍為本次聚類的初始聚類中心向量。
[0062] 步驟5:按公式(4)計(jì)算第P次聚類Class_p的初始聚類中心向量Center_p，
[0063]
(4)
[0064] 步驟6:計(jì)算余向量{XTrain_Class_p}中的向量與當(dāng)前初始聚類中心向量Center_p 之間的距離，余向量指的是經(jīng)過(guò)之前的P-I次聚類之后剩余的向量，提取所有距離中小于聚 類樣本輸入數(shù)據(jù)的接受域半徑相對(duì)應(yīng)的余向量{X Train-ClaSS_p}中的聚類樣本輸入數(shù)據(jù)向 量，將提取得到的向量歸為Class_p。本發(fā)明提出的這種聚類算法，通過(guò)計(jì)算算術(shù)中心與余 向量之間的距離來(lái)進(jìn)行聚類，減少了搜索時(shí)間的消耗，提高了聚類效率。
[0065] 步驟7:計(jì)算余向量{XTrain_Class_p}是否為空，若是空則聚類完成，進(jìn)入下一步;否 貝1J，令P遞增1，令計(jì)算的余向量作為新的聚類樣本輸入數(shù)據(jù)XTrain，重新返回步驟2。
[0066] 步驟8:得到聚類中心向量集Center如式(5):
[0067] Center =[Center_l,Center_2,···,Center_p] (5)
[0068] 得到聚類樣本數(shù)據(jù)的接受域半徑集DISTANCE如式(6):
[0069] DISTANCE = [distancei ,distance2, ·" ,diStancep] (6)
[0070] 步驟9:米用正交最小二乘法（Orthogonal Least Square,OLS)學(xué)習(xí)權(quán)值。假設(shè)輸 出層只有一個(gè)節(jié)點(diǎn)，把徑向基函數(shù)網(wǎng)絡(luò)看成是線性回歸的一種特殊情況：
[0071]
(7)
[0072]其中，K為隱含層節(jié)點(diǎn)數(shù)，N為輸入訓(xùn)練樣本數(shù)，Co1為第i個(gè)隱含層節(jié)點(diǎn)到輸出節(jié)點(diǎn) 間的權(quán)值，y(n)為模型的期望輸出，e為誤差，奶,(〇為第i個(gè)徑向基函數(shù)，^是輸入數(shù)據(jù)與第i 個(gè)聚類中心之間的歐式距離。
[0073]寫成矩陣形式為：
[0074]
[0075]
[0076]用OLS算法學(xué)習(xí)權(quán)值的步驟如下：
[0077] (1)確定隱含層節(jié)點(diǎn)個(gè)數(shù)K，確定徑向基函數(shù)的中心c;
[0078] (2)分別計(jì)算輸入樣本的徑向基函數(shù)，得出由徑向基函數(shù)組成的矩陣化
[0079] (3)正交化矩陣I得到矩陣B，A。其中，A是一個(gè)K*K的上三角陣，主對(duì)角線元素為1， B是一個(gè)1*Κ矩陣，各列正交；
[0080] (4)根據(jù)公式S = Bl,計(jì)算g;
[0081] (5)根據(jù)Aco=g求出權(quán)值ω。
[0082] 圖1分別是基于本文提出的基于優(yōu)化型型K-means聚類算法、OLS算法的RBFNN溫度 插值模型和基于傳統(tǒng)的K-means聚類算法、OLS算法的RBFNN溫度插值模型的訓(xùn)練網(wǎng)絡(luò)效果 圖。比較得出，本發(fā)明所提出的插值模型(左圖）輸出誤差為零。這表明對(duì)于一次性處理數(shù)據(jù) 量大規(guī)模的數(shù)據(jù)樣本，采用本發(fā)明的插值模型，訓(xùn)練過(guò)程平緩，而且可一次性得到一個(gè)零誤 差的RBFNN，而且得到理想的訓(xùn)練輸出誤差。
[0083] 從圖2可以分析出：對(duì)于已經(jīng)進(jìn)行歸一化處理的樣本數(shù)據(jù)，經(jīng)本發(fā)明優(yōu)化型K-means聚類算法得到聚類中心，該算法避免了如何選取合適的初始聚類中心、怎么確定隱含 層神經(jīng)元個(gè)數(shù)的問(wèn)題，不存在K-means聚類算法易陷入局部最優(yōu)解的缺點(diǎn)。借助以上迭代得 到的聚類中心和接受域半徑，結(jié)合OLS算法求出隱含層到輸出層的權(quán)值，至此，完成RBFNN訓(xùn) 練的整個(gè)過(guò)程。測(cè)試數(shù)據(jù)通過(guò)該基于優(yōu)化型K-means聚類算法和OLS算法的RBFNN溫度插值 模型，得到最終的測(cè)試輸出和實(shí)際輸出的擬合圖，即圖2左側(cè)圖。顯然，測(cè)試數(shù)據(jù)經(jīng)過(guò)本發(fā)明 提出的插值模型進(jìn)行訓(xùn)練得到訓(xùn)練模型，用測(cè)試數(shù)據(jù)去檢驗(yàn)該經(jīng)過(guò)訓(xùn)練得到的溫度插值模 型的效果，結(jié)果和實(shí)際結(jié)果的擬合度比基于K-means聚類算法和OLS算法的RBFNN溫度插值 模型更理想。
[0084]由圖3顯而易見，基于優(yōu)化型K-means聚類算法和OLS算法的RBFNN的溫度插值模型 的插值精度高，訓(xùn)練輸出與實(shí)際輸出之間的誤差百分比小(右圖）。仿真結(jié)果證明，基于優(yōu)化 型K-means聚類算法的溫度插值具有更好的聚類效果、插值精度。
[0085]綜上，本發(fā)明基于優(yōu)化的K-means聚類算法和OLS算法建立徑向基神經(jīng)網(wǎng)絡(luò)溫度插 值模型，避免聚類中心選取的隨機(jī)性、易陷入局部最優(yōu)等缺點(diǎn)，根據(jù)算法確定合適的聚類中 心數(shù)，提高數(shù)據(jù)插值的精度。
[0086]以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形 也應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于徑向基神經(jīng)網(wǎng)絡(luò)的溫度插值算法，其特征在于，包括W下步驟： 1 )輸入原始樣本數(shù)據(jù)X，并進(jìn)行歸一化，得到歸一化數(shù)據(jù)XTrain，作為聚類樣本輸入數(shù)據(jù)，(1) 其中，maX(^l)表示第j列原始樣本數(shù)據(jù)要素、的最大值，XI堤第i組原始樣本數(shù)據(jù)的 第j列數(shù)據(jù)要素值，^為歸一化處理后的數(shù)據(jù)，=祥1，乂2,乂5，..·，^ΛΓ)，義?，i = l，2...... N，表示第i列歸一化處理后的數(shù)據(jù)，N表示歸一化處理后的數(shù)據(jù)列數(shù)； 2) 計(jì)算第P次聚類樣本輸入數(shù)據(jù)XTrain中各列數(shù)據(jù)之間兩兩歐式距離，得到第P次聚類樣 本輸入數(shù)據(jù)的距離矩陣DISTp:(2) 其中，|j去;-玄;II表示第i列聚類樣本輸入數(shù)據(jù)和第j列聚類樣本輸入數(shù)據(jù)之間的歐式距 離； 3) 計(jì)算聚類樣本輸入數(shù)據(jù)的接受域半徑distancep，計(jì)算公式如式(3): distancep=mean(DISTp) (3) 其中，mean函數(shù)用于計(jì)算距離矩陣DISTp中所有元素的平均值； 4) 根據(jù)距離矩陣DISTp，找出歐式距離最短的兩個(gè)聚類樣本輸入數(shù)據(jù)向量呆;，去;，作為 本次聚類的初始聚類中屯、向量； 5) 按公式(4)計(jì)算第P次聚類〔1曰33_口的初始聚類中屯、向量Cente;r_p，(4): 6) 計(jì)算余向量{XTrain-ClaSS_p}中的向量與當(dāng)前初始聚類中屯、向量間的距 離，提取所有距離中小于聚類樣本輸入數(shù)據(jù)的接受域半徑相對(duì)應(yīng)的余向量 {XTrain-Class_p}中的聚類樣本輸入數(shù)據(jù)向量，將提取得到的向量歸為Class_p;所述余 向量指的是經(jīng)過(guò)之前的P-1次聚類之后剩余的向量； 7) 計(jì)算余向量{XTrain-ClaSS_p}是否為空，若是空則聚類完成，進(jìn)入下一步;否則，令P遞 增1，令計(jì)算的余向量作為新的聚類樣本輸入數(shù)據(jù)XTrain，重新返回步驟2); 8) 得到聚類中屯、向量集Center如式巧）： Center=[Center_l,Center_2, · · · ,Center_p] (5) 得到聚類樣本數(shù)據(jù)的接受域半徑集DISTANCE如式(6): DISTANCE= [distancei,distance2, · · · ,distancep] (6)， 9) 采用正交最小二乘法學(xué)習(xí)權(quán)值，步驟如下： 9-1)確定隱含層節(jié)點(diǎn)個(gè)數(shù)K，確定徑向基函數(shù)的中屯、C; 9-2)分別計(jì)算輸入樣本的徑向基函數(shù)，得出由徑向基函數(shù)組成的矩陣口； 9-3)正交化矩陣f，得到矩陣B，A，其中，A是一個(gè)Κ*Κ的上Ξ角陣，主對(duì)角線元素為1，B是 一個(gè)1體矩陣，各列正交； 9-4)根據(jù) g = B-iY，計(jì)算 g; 其中，￥為期望輸出：?"二(/w+ C-*，ωι為第i個(gè)隱含層節(jié)點(diǎn)到輸出節(jié)點(diǎn)間的權(quán)值，y(n)為模型的期望輸出，e為誤差，口，如） 為第i個(gè)徑向基函數(shù)，ri是輸入數(shù)據(jù)與第i個(gè)聚類中屯、之間的歐式距離； 9-5)根據(jù)Aω=g求出權(quán)值ω。
【文檔編號(hào)】G06N3/08GK105844334SQ201610163877
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月22日
【發(fā)明人】杜景林, 沈曉燕, 劉雅云, 嚴(yán)蔚嵐
【申請(qǐng)人】南京信息工程大學(xué)