[发明专利]径向基网络参数求解方法、装置及计算机可读存储介质

说明书

技术领域

本发明涉及机器学习技术领域，尤其涉及一种径向基网络参数求解方法、装置及计算机可读存储介质。

背景技术

径向基网络属于前向神经网络类型，主要分为三层：输入层、隐含层及输出层。在对径向基网络参数进行设计时，所涉及的参数则主要包括：径向基函数的中心、方差及隐含层到输出层的权值，对径向基网络参数的设计即为对径向基网络的各个参数进行求解。实质上，这是求解线性方程组Ax＝b的问题，这也是一个最优化问题，通常这个优化问题可分为三种情况：求解欠定方程，求解超定方程，求解恰定方程。

目前，对于求解径向基网络的权值参数，主要有两种方法：一是采用最小二乘法加上L2范数正则化项的方案，二是采用梯度下降法。第一种方案，在一定程度上可以达到避免过拟合的效果，第二种方案能保证精确度。而在实际问题中，采集数据时由于外界环境的干扰，则会在数据中伴随有噪声的干扰。以上两种方法在求解径向基网络的权值参数时，均无法做到在避免过拟合的同时兼顾准确率的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种径向基网络参数求解方法，旨在解决在求解径向基网络的权值参数时，无法做到在避免过拟合的同时兼顾准确率的技术问题。

为实现上述目的，本发明提供一种径向基网络参数求解方法，所述径向基网络参数求解方法包括以下步骤：

获取径向基网络的训练样本及标签；

基于所述训练样本及所述标签，建立所述径向基网络的最优化模型；

求解所述最优化模型，其中，所述最优化模型的最优解即为径向基网络参数的解。

在一实施方式中，所述基于所述训练样本及所述标签，建立所述径向基网络的最优化模型的步骤包括：

基于所述训练样本及所述标签，建立所述径向基网络的误差模型；

基于所述误差模型建立所述径向基网络的最优化模型。

在一实施方式中，所述基于所述误差模型建立所述径向基网络的最优化模型的步骤包括：

获取所述径向基网络的正则化参数，基于所述正则化参数建立所述径向基网络的正则化模型；

根据所述正则化模型及所述误差模型，建立所述径向基网络的最优化模型。

在一实施方式中，所述基于所述训练样本及所述标签，建立所述径向基网络的误差模型的步骤包括：

基于所述训练样本，获取所述径向基网络的径向基函数及所述径向基函数对应的径向基函数矩阵；

基于所述径向基函数矩阵、所述训练样本及所述标签，建立所述径向基网络的误差模型。

在一实施方式中，所述基于所述正则化参数建立所述径向基网络的正则化模型的步骤包括：

获取所述径向基网络参数的L1范数；

基于所述正则化参数及所述径向基网络参数的L1范数，建立所述径向基网络的正则化模型。

在一实施方式中，所述根据所述正则化模型及所述误差模型，建立所述径向基网络的最优化模型的步骤包括：

基于所述正则化模型及所述误差模型，获取所述径向基网络的优化函数；

根据所述优化函数建立所述径向基网络的最优化模型。

在一实施方式中，所述求解所述最优化模型的步骤包括：

调用预设的快速迭代收缩阈值算法；基于所述快速迭代收缩阈值算法求解所述最优化模型。

在一实施方式中，所述基于所述快速迭代收缩阈值算法求解所述最优化模型的步骤包括：

获取所述快速迭代收缩阈值算法的迭代步长及所述误差模型的梯度；

基于所述迭代步长及所述误差模型的梯度，求解所述最优化模型。

此外，为实现上述目的，本发明还提供一种径向基网络参数求解装置，所述径向基网络参数求解装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的径向基网络参数求解程序，所述径向基网络参数求解程序被所述处理器执行时实现上述任一项所述的径向基网络参数求解方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有径向基网络参数求解程序，所述径向基网络参数求解程序被处理器执行时实现如上述任一项所述的径向基网络参数求解方法的步骤。