本发明专利技术涉及神经网络建模方法技术领域，且公开了一种神经网络建模方法，包括确定P‑RBFNN建模中隐含层的节点数，聚类点为径向中心点基函数，步骤如下：S1、支持向量由支持向量的判定条件计算得到。该神经网络建模方法，使用了两种改进的聚类算法，例如基于支持向量的HCM和基于支持向量的FCM，首先，给出了P‑RBFNN建模中支持向量决策条件的详细数学表示，其次，给出详细的数学基于支持向量的改进聚类算法的表示，最后，构建了基于支持向量的聚类算法的P‑RBFNN建模，提出的基于支持向量的聚类算法改进了P‑RBFNN建模的条件阶段，可以避免无关数据的干扰，提高聚类中心点对数据集信息的准确反映，从而提高回归性能。
【技术实现步骤摘要】
本专利技术涉及神经网络建模方法，具体为一种神经网络建模方法。
技术介绍
1、支持向量回归(svr)是在统计学习理论的基础上发展起来的一种机器学习，它基于vc维度理论和结构风险最小化原理，并且它可以通过训练数据的少量有限信息来建立，在复杂性(特定训练数据的准确性)和学习能力(无错误地识别任何训练数据的能力)之间找到权衡点的最佳折衷方案以实现最优泛化，它具有完整的理论基础、简单的数学形式、直观的几何解释和良好的泛化能力，有效地克服了“维度灾难”，其训练过程可以转化为二次规划问题，避免了局部最优问题。
2、基于多项式的径向基函数神经网络(p-rbfnn)可以通过生成更复杂的非线性判别函数，并表现出一些优势，包括全局最优逼近和回归能力，但是如何确定隐藏层的节点数和模糊径向基函数的中心点，以达到网络学习所需的精度是一个问题，为了解决这样的问题，通过p-rbfnn建模中支持向量的判定条件找到支持向量，确定中心点的精确区域，可以减少无关数据的干扰，然后，设计了两种类型的聚类方法来确定所提出的p-rbfnn建模中隐藏层的节点数和模糊径向基函数的中心点，考虑了两种类型的聚类算法，例如hardc-means(hcm)和fuzzyc-means(fcm)，而在有限支持向量上设计的聚类方法称为support vectors-based hcm和support vectorsbased fcm，在本专利技术中，最小二乘估计(lse)方法用于优化模型的系数。
3、与基于现有聚类算法的p-rbfnn相比，所提方法的贡献如下：
<
p>4、(a)首先，支持向量的判定条件由ε-insensitive p-rbfnn建模中的损失函数和l2正则化。5、(b)其次，提出了两种改进的聚类方法，如support vectorsbased hcm和supportvector s-based fcm，这两种方法只使用个选择的个数据集(支持向量)来避免不相关数据对聚类的干扰。
6、(c)最后，借助support vectors-based hcm和support vectors-based fcm设计的p-rbfnn建模。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种神经网络建模方法，具备可以避免无关数据的干扰，提高聚类中心点对数据集信息的准确反映，从而提高回归性能等优点，解决了在传统的聚类中对数据中的噪声和异常值敏感的问题。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种神经网络建模方法，包括确定p-rbfnn建模中隐含层的节点数，聚类点为径向中心点基函数，步骤如下：
5、s1、支持向量由支持向量的判定条件计算得到，可以得到支持向量sv＝{x1，x2，...，xg}来自训练数据x＝{x1，x2，...，xn}；
6、s2、将支持向量代入聚类算法计算聚类中心点，有两种改进的聚类算法如下：
7、a、基于支持向量的hcm：
8、b、基于支持向量的fcm：
9、s3、在p-rbfnn的条件阶段，可以得到如下表达式：
10、
11、其中，xj∈x，vi∈sv，和m＝2，；
12、计算建模函数：
13、
14、其中，采用最小二乘估计法优化建模系数；
15、所述基于支持向量的聚类算法中支持向量的决策条件：
16、当ai＝0时，必有ξi＝0，即：
17、
18、当0＜αi＜1/τ时，必有ξi＝0，那么：
19、
20、当αi＝1/τ时，必有和ξi＝0，即：
21、当时，必有那么：
22、
23、当时，必有那么：
24、时，必有αi＝0和ξi＝0，即：
25、
26、由上述判定条件，当区域边界为：
27、
28、其中，样本数据对应决策0＜αi＜1/τ和为支持向量；
29、xs(s＝1，2，...，g)是第s个支持向量，xj(j＝1，2，...，n)是第j个数据输入，并在聚类算法中使用支持向量。
30、优选的，所述支持向量的c均值中有有一个数据集x＝{x1，x2，|...，xn|xj∈ird，j＝1，2，..·，n}，为了区分数据集x中的c个子集，尽可能使相似的样本在同一类中，不同类的数据不同，gi为第i组相似数据集合，基于支持向量的聚类的目标函数是：
31、
32、其中，v＝[vi]，vi＝{vi|vi∈ird，i＝1，2，..·，c}表示第i个聚类中心，j(v)表示各类样本到聚类中心的距离平方和；
33、而划分的组一般定义为(c×g)为二维隶属度矩阵u，若第j个数据点xj属于第i组，则u中的元素为1；否则，该元素取0，一旦确定了聚类中心xj，则最小值uij可以推导如下：
34、
35、其中，i，r＝1，2，...，c和j＝1，2，....，g.；
36、计算vi的偏导数为：
37、
38、则可以得到聚类中心：
39、
40、优选的，所述支持向量的模糊c均值有一个数据集x＝{x1，x2，...，xn|xj∈ird，j＝1，2，...，n}，为了区分数据集x中的c个子集，得到相似的数据xj尽可能在同一个类中，不同的数据在不同的类中，基于支持向量的模糊聚类的目标函数为：
41、
42、其中，u＝[uij]为模糊隶属度矩阵，i＝1，2，...，c，uij∈[o，1]，v＝[vi]vi＝{vi|vi∈ird}表示第i个簇中心，m∈[1，∞]为加权指数，和j(u，v)表示各类数据到聚类中心的加权距离平方和；
43、根据聚类准则和公式j(u，v)的最小值可以计算如下：
44、
45、拉格朗日乘法可用：
46、
47、优化条件为：
48、
49、然后根据上述条件，可得到如下隶属函数：
50、
51、为了计算聚类中心，可以得到以下公式：
52、
53、根据上述公式，可得到如下聚类函数：
54、
55、(三)有益效果
56、与现有技术相比，本专利技术提供了一种神经网络建模方法，具备以下有益效果：
57、该神经网络建模方法，使用了两种改进的聚类算法，例如基于支持向量的hcm和基于支持向量的fcm，首先，给出了p-rbfnn建模中支持向量决策条件的详细数学表示，其次，给出详细的数学基于支持向量的改进聚类算法的表示，最后，构建了基于支持向量的聚类算法的p-rbfnn建模，提出的基于支持向量的聚类算法改进了p-rbfnn建模的条件阶段，可以避本文档来自技高网
...
【技术保护点】
1.一种神经网络建模方法，其特征在于，包括确定P-RBFNN建模中隐含层的节点数，聚类点为径向中心点基函数，步骤如下：
2.根据权利要求1所述的一种神经网络建模方法，其特征在于，所述支持向量的C均值中有有一个数据集X＝{x1，x2，|...，xn|xj∈IRd，j＝1，2，...，n}，为了区分数据集X中的c个子集，尽可能使相似的样本在同一类中，不同类的数据不同，Gi为第i组相似数据集合，基于支持向量的聚类的目标函数是：
3.根据权利要求1所述的一种神经网络建模方法，其特征在于，所述支持向量的模糊C均值有一个数据集X＝{x1，x2，...，xn|xj∈IRd，j＝1，2，...，n}，为了区分数据集X中的c个子集，得到相似的数据xj尽可能在同一个类中，不同的数据在不同的类中，基于支持向量的模糊聚类的目标函数为：
【技术特征摘要】
1.一种神经网络建模方法，其特征在于，包括确定p-rbfnn建模中隐含层的节点数，聚类点为径向中心点基函数，步骤如下：
2.根据权利要求1所述的一种神经网络建模方法，其特征在于，所述支持向量的c均值中有有一个数据集x＝{x1，x2，|...，xn|xj∈ird，j＝1，2，...，n}，为了区分数据集x中的c个子集，尽可能使相似的样本在同一类中，不同类的数据...
【专利技术属性】
技术研发人员：黄浩，
申请(专利权)人：黄浩，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。