具自适应核形状参数的径向基底函数网路-GEBRC.PDFVIP

資訊管理學報　第十五卷　第二期 135 具自適應核形狀參數的徑向基底函數網路 葉怡成 中華大學資訊管理系 陳重志 中華大學資訊管理系 黃冠傑 成功大學資訊工程系 摘要 徑向基底函數網路(RBFN) 常用於分類問題 ，它的核有形心與半徑二種參數 ，這二種 參數可用監督式或無監督式學習來決定 。但 它有一個缺點是視所有 自變數有 同等地位 ， 故分類邊界是圓形 ，但事實上每一個 自變數對分類的影響力不同 ，分類邊界是應該是橢 圓形較合理 。為克服此一缺點 ，本文提 出具 自適應核形狀參數的徑向基底函數網路 ，並 以監督式學習推導出其學習規則 。為證 明此一架構優於傳統的徑向基底函數網路 ，本研 究以五個人為的與七個真實的分類例題進行 比較 。結果顯示 ，此一架構確實比倒傳遞網 路及傳統的徑向基底函數網路更為準確 ，狀參數值的大小確實能表現 出自變數對分類的 影響力高低 。 關鍵字：半徑 基神 經 網路 、監督 式學 習 、核 函數 、分類 136 資訊管理學報　第十五卷　第二期 Radial Basis Function Networks with Adaptive Kernel Shape Parameter I-Cheng Yeh Department of Information Management, Chung Hua University Chung-Chih Chen Department of Information Management, Chung Hua University Kuan-Chieh Huang Department of Computer Science and Information Engineering, National Cheng-Kung University Abstract Radial Basis Function Network (RBFN) is usually employed for classification problems, whose kernel has centroid and radius parameters determined with supervised or unsupervised learning. However, it has a shortcoming that it regards each independent variable as the same position; hence, the boundary of classification is circle. But in fact, each independent variable has different influence to the classification, it is more reasonable that the boundary of classification is ellipse. To overcome the shortcoming, we proposed the RBFN with adaptive kerne