《徑向基函數神經網絡及協同進化學習》系統地介紹利用協同進化理論優化徑向基函數神經網絡學習的基本理論與方法，共分為7個章節。**，提出基于合作型協同進化的徑向基函數神經網絡算法，引入聚類層并以聚類后的隱節點群作為子種群進行協同進化操作。第二，提出基于協同覆蓋的徑向基函數神經網絡算法，并采用啟發式搜索改進網絡結構。第三，提出帶有特征選擇的雙種群分類算法，能夠同時獲得較優的網絡結構和約減的輸入向量維數。第四，提出多種群協同進化神經網絡集成算法，有效提高集成模型性能。第五，提出基于協同進化的子空間分類算法，適用于處理樣本空間分布復雜的數據挖掘問題。
目錄
第1章 概述 1
1.1 引言 1
1.2 RBFNN學習存在的問題 4
1.3 本書主要內容 5
第2章 RBFNN和協同進化算法基礎 7
2.1 RBFNN模型 7
2.2 協同進化算法 9
2.3 本章小結 11
第3章 基于協同進化的RBFNN分類算法 12
3.1 相關研究 12
3.2 合作型協同進化算法 13
3.3 基于合作型協同進化的RBFNN分類算法設計 14
3.4 實驗測試 21
3.5 本章小結 29
第4章 基于協同覆蓋的EBFNN分類算法 30
4.1 相關研究 30
4.2 EBFNN和神經元領域覆蓋 31
4.3 基于協同覆蓋的EBFNN分類算法設計 33
4.4 實驗測試 43
4.5 本章小結 50
第5章 帶有特征選擇的雙種群RBFNN分類算法 51
5.1 相關研究 51
5.2 帶有特征選擇的雙種群協同進化算法設計 52
5.3 實驗測試 60
5.4 本章小結 72
第6章 基于協同進化的RBFNN集成算法 73
6.1 相關研究 73
6.2 集成學習算法分類及應用 74
6.3 多種群協同進化RBFNN集成算法設計 75
6.4 帶有特征選擇的多種群優化集成模型 96
6.5 本章小結 101
第7章 基于子空間的RBFNN分類算法 102
7.1 相關研究 102
7.2 SBRBFNN模型 103
7.3 基于協同進化的SBRBFNN算法 106
7.4 實驗測試 112
7.5 本章小結 123
參考文獻 124
后記 131
新書資訊