Ein Trainingsverfahren für Radial Basis Function Netzwerke mit dynamischer Selektion der Zentren und Adaption der Radii

Abstract

Im folgenden wird ein neues Trainingsverfahren für Radial Basis Function Netzwerke vorgestellt. Der DDA-Algorithmus (Dynamic Decay Adjustment) ergänzt den schon bekannten RCE-Algo-rithmus (Restricted Coulomb Energy, siehe [7]) in zwei Punkten: die Radii der RBF werden an die Trainingsdaten angepaßt und die Einführung neuer Zentren ist nun abhängig von der Klassenzugehörigkeit des Trainingsvektors und konkurrierender Prototypen. Durch dieses Verfahren läßt sich die Performanz der Netze gegenüber RCE und RBF-Netz-werken entscheidend verbessern. Getestet wurde der Algorithmus mit Beispielen der CMU Benchmark Suite und mit der Erkennung von Phonemen, einer Datenbasis die schon bei der Einführung des TDNNs verwendet wurde (siehe [9]). Die Anpassung der Radii alleine führte schon zu einer deutlichen Verbesserung gegenüber dem normalen RCE-Algo-rithmus, die Einführung verschiedener Schwellwerte für die Zugehörigkeit bzw. Nichtzugehörigkeit eines Testmusters zu einer Klasse verbesserte die Ergebnisse aber noch einmal deutlich. Zusätzlich wird am Beispiel des bekannten Zwei-Spiralen Problems die Generalisierungsfähigkeit dieses Algorithmus gegenüber einem normalen Multi Layer Perzeptron graphisch veranschaulicht.