李晶晶,许少华

(山东科技大学计算机科学与工程学院，山东 青岛 266590)

1 引言

径向基函数神经网络RBFNN(Radial Basis Function Neural Network)是一种广泛应用于模式识别、函数逼近和信号处理等领域的人工神经网络模型，它通过改变神经元非线性变换函数的参数实现非线性映射，并通过连接权值调整的线性化来提高网络学习速度[1-3]。针对时间过程信息的处理问题，文献[4]将传统径向基函数神经网络向时间域上进行扩展，提出了一种径向基过程神经网络RBFPNN(RBF Process Neural Network)。该网络模型的输入可以直接为时间过程信号，通过隐层径向基核函数的时空聚合变换，以及对隐层过程神经元输出的加权调整，实现对时变信号的分类处理。

复杂信号样本特征的发现、表征和记忆能力是衡量机器学习模型性能的重要因素，也是在进行模型结构和信息处理机制设计时要考虑的问题。在目前的研究中，RBFPNN的核函数一般取为高斯函数，其性质参数为核宽度，是一种具有局部分布特征的核函数。虽然在理论上由大数定律已证明高斯函数对于各类数据的分析问题具有普适性[5]，但由于高斯函数具有局部特性，即与核函数中心特征相似的样本对结果影响较大，而与核中心相似度低的样本对结果的影响小，致使对于一些复杂的信号处理问题往往会出现较大的偏差[6]，特别是在非线性时间维系统采样信号具有较强的异构和多峰性、同类样本呈不同模态变化的情况下。由于径向基神经网络主要的信息处理单元为核函数，若通过改变RBFPNN核的函数形式和参数的设置，使其具有在多个尺度上对动态信号过程特征的表征和记忆存储性质，则可提高RBFPNN对复杂时间信号形态细节特征的识别能力。……