Robuste radiale Basisfunktions-Neuronale Netzwerke

Die Funktionsapproximation hat sich in vielen Anwendungen als nützlich erwiesen. Das radiale Basisfunktionsnetzwerk (RBF) ist ein Ansatz, der in diesen Problemen großes Potenzial gezeigt hat, da es eine schnellere Lernkapazität besitzt. Ein traditionelles RBF-Netzwerk verwendet als Basisfunktionen Gaußsche Funktionen und nimmt das kleinste Quadrat als Zielgröße an. Es leidet jedoch immer noch unter zwei Hauptproblemen. Erstens ist es schwierig, Gaußsche Funktionen zu verwenden, um konstante Werte zu approximieren. Wenn eine Funktion in einigen Intervallen nahezu konstante Werte hat, ist das RBF-Netzwerk ineffizient bei der Approximation dieser Werte. Zweitens interpoliert das Netzwerk diese Trainingsmuster falsch, wenn die Trainingsmuster einen großen Fehler verursachen. Um diese Probleme zu bewältigen, wird in diesem Papier ein RBF-Netzwerk vorgeschlagen, das auf Sequenzen von sigmoiden Funktionen und einer robusten Zielgröße basiert. Erstere ersetzt die Gaußschen Funktionen als Basisfunktion des Netzwerks, sodass konstanten Werte genau durch ein RBF-Netzwerk approximiert werden können, während letztere verwendet wird, um den Einfluss großer Fehler einzuschränken. Im Vergleich zu traditionellen RBF-Netzwerken zeigt das vorgeschlagene Netzwerk die folgenden Vorteile: (1) bessere Fähigkeit zur Approximation zugrunde liegender Funktionen; (2) schnellere Lernrate; (3) bessere Netzwerkgröße; (4) hohe Robustheit gegenüber Ausreißern.