时滞是一种人工神经网络,大小使用径向基函数作为激活函数。图中显示的结构时滞。大小时滞是大小的三层前馈神经网络。第一层是线性的,只有将输入信号,而下一层是非线性,使用高斯函数。第三层线性结合高斯输出。只有挖掘隐藏层和输出层之间的权值修改在训练。
时滞有5个大小参数优化:
1 -隐藏层和输出层之间的权值。
2 -激活函数。
3 -激活函数的中心。
4 -活化中心的分布函数。
5 -隐藏的神经元的数目。
隐藏层和输出层之间的权值计算通过使用Moore-Penrose广义伪逆。该算法克服了很多问题等传统梯度算法的停止准则,学习速率、时代和局部最小值。由于其较短的训练时间和泛化能力,适合实时应用程序。
径向基函数选择通常是一个高斯模式识别应用程序的内核。
一般激活函数的中心和分布应该类似于数据特征。在这里,选择高斯函数的中心和宽度使用Kmeans聚类算法。
基于通用近似理论中心和激活函数的分布不确定性如果隐藏神经元的数量不够充足,可以说一个单隐层前馈网络和足够数量的隐藏神经元可以逼近任意函数到任意的精度水平。
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
这段代码中使用以下文件:
1。a . Asvadi m . Karami y Baleghi”,有效优化对象跟踪使用k - means分割和径向基函数神经网络,“国际期刊的信息和通信技术研究(IJICT), 4卷,没有。2011年12月1 29-39页。。
2。a . Asvadi m . Karami y Baleghi, h . Seyyedi”改进对象跟踪使用径向基函数神经网络,”:学报》7日伊朗机器视觉和图像处理(MVIP2011),德黑兰,伊朗,2011年11月。
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
从“mvnrnd统计和机器学习的工具箱”用于生成样本数据点。