Reformulierte radiale Basisneuronale Netzwerke, die durch Gradientenabstieg trainiert werden

In diesem Papier wird ein axiomatischer Ansatz zur Konstruktion von radialen Basisfunktions (RBF) neuronalen Netzwerken vorgestellt. Dieser Ansatz führt zu einer breiten Vielfalt von zulässigen RBF-Modellen, einschließlich solcher, die Gaussian RBFs verwenden. Die Form der RBFs wird durch eine Generierungsfunktion bestimmt. Neue RBF-Modelle können gemäß dem vorgeschlagenen Ansatz entwickelt werden, indem Generierungsfunktionen ausgewählt werden, die nicht exponentiell sind, was zu Gaussian RBFs führt. Dieses Papier schlägt auch einen überwachten Lernalgorithmus vor, der auf Gradientenabstieg basiert, um reformulierte RBF-neuronale Netzwerke zu trainieren, die mit dem vorgeschlagenen Ansatz konstruiert wurden. Eine Sensitivitätsanalyse des vorgeschlagenen Algorithmus beschreibt die Eigenschaften der RBFs im Zusammenhang mit der Konvergenz des Gradientenabstiegslernens. Experimente mit einer Vielzahl von reformulierten RBF-Netzwerken, die durch lineare und exponentielle Generierungsfunktionen erzeugt wurden, zeigen, dass das Gradientenabstieglernen einfach, leicht umsetzbar ist und RBF-Netzwerke produziert, die erheblich besser abschneiden als herkömmliche RBF-Modelle, die mit bestehenden Algorithmen trainiert wurden.