基于改进聚类算法的RBF网络及其应用
RBF 网络可以逼近任意连续非线性函数，且训练速度快，性能好，被广泛应用于过程建模和预测。 网络的一个重要因素是隐层节点的选择，隐层节点过多或过少都会影响最终网络的性能。本文提出了一种改 k-means 聚类算法，可以自动确定最优的聚类区数，并且可使最终的聚类中心合理地分布在数据空间中。在 RBF 网络进行建模和预测时，采用该方法确定隐层节点的中心，跟用通常的聚类方法相比，可以大大减小网 模。仿真和实际应用结果都证明该方法的有效性。
k-means 聚类 RBF 网络 建模
李春富 郑小青 葛铭
杭州电子科技大学自动化学院,浙江杭州 310018
国内会议
南京
中文
1027-1032
1900-01-01（万方平台首次上网日期，不代表论文的发表时间）