统计聚类RBF神经网络的孤立点检测研究

本方法利用模糊C均值算法简化和提取文本特征向量。结合自适应遗传算法优化RBF神经网络权值，构建RBF网络集成模型进行文本分类。实验验证了其较高的分类效率和准确率。

针对数据源中存在的错误数据问题，深入探讨了孤立点检测技术在数据清理过程中的重要作用，并提出了一种基于孤立点检测的有效数据清理方法。论文首先对现有的几种常用孤立点检测方法进行了比较分析，选择出一种性能优异的算法用于检测数据源中的孤立点数据，最后通过一个实例验证了该方法的有效性，结果表明，基于孤立点检测的数据清理方法能够有效识别并处理数据源中的错误数据。

输入层：感知单元连接网络和环境隐含层：非线性变换，输入空间到隐层空间输出层：线性，响应训练数据

在matlab环境中，这份完整的RBF神经网络代码十分优秀。

利用聚类技术检测离群点的一种方法是丢弃远离其他簇的小簇。通常情况下，这个过程可以简化为移除小于某个最小阈值的所有簇。虽然可以与各种聚类技术结合使用，但需要设定最小簇大小和小簇与其他簇之间距离的阈值。此外，这种方法对于聚类数量的选择非常敏感，因为很难将离群点的得分附加到对象上。在图18中，当聚类簇数K=2时，可以清楚地看到一个包含5个对象的小簇远离了大部分对象，可能被视为离群点。

包括建模、预测和聚类等功能的七个RBF神经网络的源代码。这些代码涵盖了多个应用领域，展示了RBF网络在不同任务中的应用方式。

RBF神经网络识别图像的算法，通过训练后与对应图片进行仿真。

这个matlab编写的SOM自组织神经网络由三个.m文件组成，适合初学者学习。

皇家空军内包含用于径向基函数（RBF）应用程序的Python软件包，用于数据插值/平滑及不规则域上的PDE求解。此软件包受到Gregory Fasshauer的《使用Matlab的无网格近似方法》和Bengt Fornberg与Natasha Flyer的《径向基函数在地球科学中的应用入门》的影响。详细文档可供查阅。特征包括RBF插值函数评估及其精确导数计算，用于噪声数据的N维插值与平滑。还包含一种用于解决大规模PDE的RBF-FD权重算法，以及通过频谱RBF方法或RBF-FD方法求解PDE的节点生成算法。此外，还提供了用于高斯过程回归（GPR）的高斯过程抽象及霍尔顿序列发生器。安装此软件包需使用numpy、scipy、sympy、cython和rtree软件包。