資源描述：
《淺議基于徑向基函數(shù)神經(jīng)網(wǎng)絡的曲面（線）重構仿真研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、廣西大學碩士學位論文基于徑向基函數(shù)神經(jīng)網(wǎng)絡的曲面（線）重構仿真研究姓名：楊吟冬申請學位級別：碩士專業(yè)：計算機軟件與理論指導教師：周永權20070610基于徑向基函數(shù)神經(jīng)網(wǎng)絡的曲面(線)重構仿真研究摘要徑向基函數(shù)神經(jīng)網(wǎng)絡以其簡單的結構，優(yōu)良的全局逼近性能而引起了人們的廣泛關注。由于徑向基函數(shù)神經(jīng)網(wǎng)絡的獨特的拓撲結構和訓練方法，使得它在函數(shù)逼近和非線性系統(tǒng)預測等領域得到廣泛地應用。近年來國內外在徑向基函數(shù)神經(jīng)網(wǎng)絡用于曲面重構方面的研究工作比較多，普遍人們常用的是使用三個獨立的徑向基函數(shù)網(wǎng)絡分別得出曲面的三坐標與參數(shù)之間的關系，從而間接得到曲面三坐標之間的
2、關系，這勢必將影響到網(wǎng)絡的訓練速度和曲面重構的精度。本文研究如何用一個徑向基函數(shù)先直接得到擬重構曲面的一種映射關系，這種映射關系通過網(wǎng)絡的權值和閥值來修正，其修正方法采用梯度下降算法，通過該算法對其映射關系訓練，通過訓練學習．逐次逼近到所要擬重構曲面．該重構算法具有很強的魯棒性和較高的重構精度．此外．本文還給出了徑向基函數(shù)神經(jīng)網(wǎng)絡散布常數(shù)選擇的一種方法，因為散布常數(shù)選得太多，易導致過擬合現(xiàn)象：散布常數(shù)選得太少，易導致曲面重構誤差過大．最后．本文通過仿真實驗研究散布常數(shù)對網(wǎng)絡性能的影響以及如何用徑向基函數(shù)神經(jīng)網(wǎng)絡去用于散亂點的曲面重構。關鍵詞：神經(jīng)網(wǎng)絡
3、徑向基散布常數(shù)曲面重構RESEARCHONSI瓜FACE(LINE)RECONSTUCTBASEDONRBFNEI瓜AI，NETWORKSABSTRACTRBFNeuralNetworks’simplestructureandexcellentapproximationcapabilityarousescholars’broadattention．BecauseofRBFNeuralNetworks’specialconnectivestructureandtrainingmethod，makeituseonfunctionapproximation
4、andnon—linearforecastsystem．PresentlydomesticandoverseasresearchonhowtouseRBFNeuralNetworktoreconstructsurfaceisveryactivity．Forexample，peopleusethreeindependentlyRBFNeuralNetworkstogaintherelationshipofsurface’Sthreecoordinateandparameters，andthengaintherelationshipofthreecoor
5、dinateindirectly,butthismethodaffectnetwork’Strainingspeedprecisionofsurfacereconstruct．ThisdissertationresearchonhowtouseoneRBFNeuralNetworkgaintherelationshipofsurface'sthreecoordinatedirectly,thisrelationshipisamendedbynetworks’powervalueandvalvevalue．Themethodadoptgradientd
6、escentdarithmetic，usethisarithmetictotrainingmappingrelationship，fromtrainingandstudy,andgetreconstructivesurfacestepbystep．Thisarithmetichaveveryhighprecisionandit’Sveryrobust,Thisdissertationalsoresearchonhowtochoosecentervector,becauseifⅡchoosetoomanycentervectorswillleadove
7、l"imitate，andwillletdownit’Sgeneralizeability；Iftoofewcentervectors，thenwillnotgetenoughlearninginformationandletdownit’Sgeneralizeabilitytoo；Besidesthisdissertationviaexperimentstudyhowshapeparameteraffectnetwork’sperformanceandhowtoUSeRBFNeuralNetworktoreconstructsurfaceonuno
8、rganizeddata．KEYWORDS：NN；RBF；shapingparameter；,surface
