尤国桥, 刘曼茜, 柯宜龙
径向基函数神经网络 (RBFNN) 可用于插值和分类预测, 本文提出基于奇异值分解 (SVD) 技术来改进传统的RBFNN, 从而极大地简化网络结构. 具体来说, 本文提出的方法能够实现隐藏层神经元的自动选取和优化, 删除冗余的神经元, 进而节省内存和计算成本. 同时, 我们将使用 $K$ 折交叉验证法来确定径向基函数 (RBF) 中的径向参数 $\varepsilon$, 以保证算法精度. 更重要的是, 我们基于Halko等提出的近似SVD算法 ${ }^{[2]}$, 逐行读取样本数据并实时处理, 避免将所有样本数据一次性导入内存. 所有的数值实验都表明, 相比于传统的RBFNN, 本文提出的算法在不损失计算精度的前提下, 极大地提高了计算效率, 并简化了RBFNN结构.