模糊子空间聚类的径向基函数神经网络建模

来源：计算机科学与探索杂志2015年第12期北京时间：

作者：张江滨，邓赵红，王士同

单位：江南大学 数字媒体学院，江苏 无锡 214122

摘要：传统径向基函数（radial basis function，RBF）神经网络模型在处理噪声环境下的数据时，会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷，根据模糊子空间聚类（fuzzy subspace clustering，FSC）算法的子空间特性，为RBF神经网络添加特征抽取机制，提出了一种模糊子空间聚类RBF神经网络建模新方法（RBF neural network modeling using fuzzy subspace clustering，FSC-RBF-NN）。与传统RBF神经网络建模方法相比，FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制，为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时，FSC-RBF-NN方法可通过特征抽取机制去除噪音特征，只保留对建模有积极作用的特征，使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

关键词：鲁棒性,径向基函数（RBF）,RBF神经网络,模糊子空间聚类,ε,-不敏感损失函数