《徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及協(xié)同進(jìn)化學(xué)習(xí)》系統(tǒng)地介紹利用協(xié)同進(jìn)化理論優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的基本理論與方法，共分為7個章節(jié)。**，提出基于合作型協(xié)同進(jìn)化的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法，引入聚類層并以聚類后的隱節(jié)點(diǎn)群作為子種群進(jìn)行協(xié)同進(jìn)化操作。第二，提出基于協(xié)同覆蓋的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法，并采用啟發(fā)式搜索改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)。第三，提出帶有特征選擇的雙種群分類算法，能夠同時(shí)獲得較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)和約減的輸入向量維數(shù)。第四，提出多種群協(xié)同進(jìn)化神經(jīng)網(wǎng)絡(luò)集成算法，有效提高集成模型性能。第五，提出基于協(xié)同進(jìn)化的子空間分類算法，適用于處理樣本空間分布復(fù)雜的數(shù)據(jù)挖掘問題。
目錄
第1章 概述 1
1.1 引言 1
1.2 RBFNN學(xué)習(xí)存在的問題 4
1.3 本書主要內(nèi)容 5
第2章 RBFNN和協(xié)同進(jìn)化算法基礎(chǔ) 7
2.1 RBFNN模型 7
2.2 協(xié)同進(jìn)化算法 9
2.3 本章小結(jié) 11
第3章 基于協(xié)同進(jìn)化的RBFNN分類算法 12
3.1 相關(guān)研究 12
3.2 合作型協(xié)同進(jìn)化算法 13
3.3 基于合作型協(xié)同進(jìn)化的RBFNN分類算法設(shè)計(jì) 14
3.4 實(shí)驗(yàn)測試 21
3.5 本章小結(jié) 29
第4章 基于協(xié)同覆蓋的EBFNN分類算法 30
4.1 相關(guān)研究 30
4.2 EBFNN和神經(jīng)元領(lǐng)域覆蓋 31
4.3 基于協(xié)同覆蓋的EBFNN分類算法設(shè)計(jì) 33
4.4 實(shí)驗(yàn)測試 43
4.5 本章小結(jié) 50
第5章 帶有特征選擇的雙種群RBFNN分類算法 51
5.1 相關(guān)研究 51
5.2 帶有特征選擇的雙種群協(xié)同進(jìn)化算法設(shè)計(jì) 52
5.3 實(shí)驗(yàn)測試 60
5.4 本章小結(jié) 72
第6章 基于協(xié)同進(jìn)化的RBFNN集成算法 73
6.1 相關(guān)研究 73
6.2 集成學(xué)習(xí)算法分類及應(yīng)用 74
6.3 多種群協(xié)同進(jìn)化RBFNN集成算法設(shè)計(jì) 75
6.4 帶有特征選擇的多種群優(yōu)化集成模型 96
6.5 本章小結(jié) 101
第7章 基于子空間的RBFNN分類算法 102
7.1 相關(guān)研究 102
7.2 SBRBFNN模型 103
7.3 基于協(xié)同進(jìn)化的SBRBFNN算法 106
7.4 實(shí)驗(yàn)測試 112
7.5 本章小結(jié) 123
參考文獻(xiàn) 124
后記 131
新書資訊