摘要：互联网+大环境下社会和企业的快速发展使得对客户分类从而进行精准营销的课题越来越重要。本文着眼于客户分类方法中的RBF算法的应用研究，发现传统的RBF神经网络在隐含层数目和隐含层中心的选取上存在缺陷。通过分析K-MEANS聚类算法对其进行优化。同时考虑到K-MEANS聚类算法在初始聚类中心的选取上具有随机性、聚类数目需要预先确定等缺陷，通过减聚类算法对其进行改进。并以某港口企业客户分类为实例，对改进后的RBF算法进行精确性和有效性验证。结果证明改进后的RBF算法在实际应用中的误差明显减小，并且有较高的鲁棒性。

关键字：神经网络 径向基函数(Radial Basis Fuction) 减聚类 客户分类

引言

伴随着互联网+大环境下社会的迅猛发展，对企业客户进行分类研究和精准营销成为很重要的研究课题。其中机器学习方法的应用得到很好的效果，机器学习分类方法，特别是其中的人工神经网络分类方法在处理复杂信息和非线性问题上优势明显。其主要原因在于：它是一种模拟生物神经网络进行信息处理的数学模型，具有很强的鲁棒性和容错性、能够充分逼近任意复杂的非线性关系、能够快速进行大量运算、能同时处理定量和定性的知识、具有很强的自适应性，其通用性很强等优点。因此，它能解决许多用传统的分类方法不能解决的问題。RBP神经网络作为目前人工神经网络中应用最为广泛的一种新模型^[1]，不仅具有全局最优性和最佳逼近性，而且具有简单的结构、良好的分类能力、快的收敛速度、较强的输入输出映射功能等特性。

然而传统的RBF神经网络在隐含层数目和隐含层中心的选取上存在缺陷，本文拟通过采用K-MEANS聚类算法来确定RBF神经网络的隐层中心。同时， K-MEANS聚类算法需要着重优化其初始聚类中心，而减聚类算法作为一种简单而有效的聚类方法^[2]是"峰"方法的一种改进形式。它的计算量与样本数仅表现为一种简单的线性关系，能有效减少计算量。减聚类算法不仅可以独立作为一种聚类方法，而且可以为其他聚类方法提供初始聚类中心。因此，本文采用减聚类算法来优化K-MEANS聚类算法，从而优化RBF神经网络隐层中心的选取。

1 改进的RBF神经网络算法

1.1 RBF神经网络的相关理论

Powell(l985)利用了多维空间中传统的严格插值法的研究成果，提出了多变量插值的径向基函数（Radial Basis Fuction,RBF）^[3]。Broomhead和FLowe（1988）首次将RBF应用到人工神经网络的设计中，从而形成了RBF神经网络。

RBF神经网络是一个包括输入层、隐含层和输出层的三层前向神经网络。其中每一层都有不同的作用：输入层是网络的入口，外界环境只有通过这个入口才能与这个网络连接起来；隐含层实现的是数据的空间转换，通过非线性变换将数据从低维空间转换到髙维空间，从而使本来线性不可分问题转化为线性可分问题；输出层是为了响应输出层的激活信号，将结果输出用于后续的分析和存储。

1.2 改进RBF神经网络算法

构建RBF神经网络需要解决的问題有：隐层节点数、隐层中心位置、隐层中心宽度和隐含层与输出层的连接权值。其中，隐层中心位置及隐层节点数的确定是最为关键的一步。

根据RBF神经网络的结构特点，其算法主要包括两步：第一步，确定隐层节点数和隐层中心位置；第二步，确定隐含屋与输出层的连接权值。这样在确定隐含层与输出层连接权值时可以直接利用线性优化算法，从而加快学习速度、避免局部最优。根据确定隐层中心方法的不同，RBF神经网络的学习算法可以分为随机选取隐层中心和自姐织选取隐层中心两类。

本文采用自组织选取隐层中心的RBF神经网络学习算法。具体来说就是通过采用K-MEANS聚类算法来确定RBF神经网络的隐层中心；同时，采用减聚类算法来获取K-MEANS聚类算法的聚类数和初始聚类中心。

以上就是部分论文写作范文，如写好论文后想在查重的小伙伴，可以点击论文查重，然后选择相应的论文查重系统。PS：要先了解自己学校是什么检测系统！