文献类型：期刊文献

中文题名：一种基函数神经网络最优隐神经元数目快速确定算法

英文题名：Basis Function Neural Network and Its Fast Optimal-structure Determination

作者：肖秀春[1,2,3];姜孝华[2];张雨浓[2]

机构：[1]广东海洋大学信息学院,广东湛江524025;[2]中山大学信息科学与技术学院,广东广州510275;[3]浙江大学CAD/CG国家重点实验室,浙江杭州310058

年份：2010

卷号：27

期号：1

起止页码：57

中文期刊名：微电子学与计算机

外文期刊名：Microelectronics & Computer

收录：CSTPCD、、Scopus、北大核心2008、CSCD_E2011_2012、北大核心、CSCD

基金：国家自然科学基金项目(60643004;60775050);浙江大学CAD/CG国家重点实验室开放课题(A0908)

语种：中文

中文关键词：广义多项式;神经网络;结构自适应确定;指数增长;折半删减

外文关键词：general polynomial; neural network; structure-adaptive-determination; exponential growth; binary ,search

中文摘要：以线性无关的基函数作为隐层神经元的激励函数,构建了一类基函数神经网络,且推导出该类神经网络的学习算法;在此基础上,设计了一种基于指数增长和折半删减的快速最小隐神经元数目确定算法.仿真实验表明,此算法能自适应地、快速有效地确定网络最小隐层神经元数目.

外文摘要：In this paper, a basis function neural network is constructed, of which the hidden-layor neurons are activated with linear independence basis function. Accordingly, the learning algorithm for the constructed neural network is derived and a fast algorithm based on exponential-growth and binary-delete search strategy is proposed to determinate the optimal number of hidden-layor neurons. The simulation results substantiate that our algorithm can adaptively, quickly and efficiently determine number of hidden neurons in the neural network.