Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to Evolutionary Single-Objective Optimisation Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

8. Evolutionary Radial Basis Function Networks

verfasst von : Seyedali Mirjalili

Erschienen in: Evolutionary Algorithms and Neural Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Radial Basis Function (RBF) networks are one of the most popular and applied type of neural networks. RBF networks are universal approximators and considered as special form of multilayer feedforward neural networks that contain only one hidden layer with Gaussian based activation functions. This chapter trains such NNs with several optimisation algorithms and compares their performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Evolutionary Multi-layer Perceptron
Nächstes Kapitel Evolutionary Deep Neural Networks
Literatur
1.
Lowe, D., & Broomhead, D. (1988). Multivariable functional interpolation and adaptive networks. Complex Systems, 2(3), 321–355.MathSciNetMATH
2.
Du, K. L., & Swamy, M. N. (2006). Neural networks in a softcomputing framework. Springer Science & Business Media.
3.
Hunter, D., Yu, H., Pukish, M. S, I. I. I., Kolbusz, J., & Wilamowski, B. M. (2012). Selection of proper neural network sizes and architecturesa comparative study. IEEE Transactions on Industrial Informatics, 8(2), 228–240.CrossRef
4.
Mohaghegi, S., del Valle, Y., Venayagamoorthy, G. K., & Harley, R. G. (2005). A comparison of PSO and backpropagation for training RBF neural networks for identification of a power system with STATCOM. In Proceedings 2005 IEEE of the Swarm Intelligence Symposium. SIS 2005 (pp. 381–384). IEEE.
5.
Leonard, J. A., & Kramer, M. A. (1991). Radial basis function networks for classifying process faults. IEEE Control Systems, 11(3), 31–38.CrossRef
6.
Lee, M. J., & Choi, Y. K. (2004). An adaptive neurocontroller using RBFN for robot manipulators. IEEE Transactions on Industrial Electronics, 51(3), 711–717.CrossRef
7.
Chng, E. S., Chen, S., & Mulgrew, B. (1996). Gradient radial basis function networks for nonlinear and nonstationary time series prediction. IEEE transactions on neural networks, 7(1), 190–194.CrossRef
8.
Castao, A., Fernndez-Navarro, F., Hervs-Martnez, C., Garca, M. M., & Gutirrez, P. A. (2010). Classification by evolutionary generalised radial basis functions. International Journal of Hybrid Intelligent Systems, 7(4), 239–248.CrossRef
9.
Schwenker, F., Kestler, H. A., & Palm, G. (2001). Three learning phases for radial-basis-function networks. Neural Networks, 14(4–5), 439–458.CrossRef
10.
Wu, Y., Wang, H., Zhang, B., & Du, K. L. (2012). Using radial basis function networks for function approximation and classification. ISRN Applied Mathematics.MathSciNetCrossRef
11.
Mak, M. W., & Cho, K. W. (1998). Genetic evolution of radial basis function centers for pattern classification. In Proceedings of the IEEE International Joint Conference on Neural Networks, IEEE World Congress on Computational Intelligence (Vol. 1, pp. 669–673). IEEE.
12.
Vakil-Baghmisheh, M. T., & Pave, N. (2004). Training RBF networks with selective backpropagation. Neurocomputing, 62, 39–64.CrossRef
13.
Aljarah, I., Faris, H., Mirjalili, S., & Al-Madi, N. (2018). Training radial basis function networks using biogeography-based optimizer. Neural Computing and Applications, 29(7), 529–553.CrossRef
14.
Yang, X. S., & Deb, S. (2009). Cuckoo search via Lvy flights. In World congress on nature & biologically inspired computing. NaBIC 2009 (pp. 210–214). IEEE.
15.
Yang, X. S., & He, X. (2013). Firefly algorithm: Recent advances and applications. International Journal of Swarm Intelligence, 1(1), 36–50.CrossRef
16.
Yang, X. S. (2009). Firefly algorithms for multimodal optimization. In International Symposium on Stochastic Algorithms (pp. 169–178). Berlin: Springer.CrossRef
17.
Zhang, J., & Sanderson, A. C. (2009). JADE: Adaptive differential evolution with optional external archive. IEEE Transactions on Evolutionary Computation, 13(5), 945–958.CrossRef
18.
Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Let a biogeography-based optimizer train your multi-layer perceptron. Information Sciences, 269, 188–209.MathSciNetCrossRef
19.
Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459–471.MathSciNetCrossRef
20.
Yang, X. S. (2010). A new metaheuristic bat-inspired algorithm. In Nature inspired cooperative strategies for optimization (NICSO 2010) (pp. 65–74). Berlin: Springer.CrossRef
21.
Simon, D. (2008). Biogeography-based optimization. IEEE Transactions on Evolutionary Computation, 12(6), 702–713.CrossRef
22.
Qasem, S. N., Shamsuddin, S. M., & Zain, A. M. (2012). Multi-objective hybrid evolutionary algorithms for radial basis function neural network design. Knowledge-Based Systems, 27, 475–497.CrossRef
23.
Asuncion, A., & Newman, D. (2007). UCI machine learning repository.
Metadaten
Titel
Evolutionary Radial Basis Function Networks
verfasst von
Seyedali Mirjalili
Copyright-Jahr
2019
Buch
Evolutionary Algorithms and Neural Networks

Print ISBN: 978-3-319-93024-4

Electronic ISBN: 978-3-319-93025-1

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-93025-1_8