基于改进BP网络和RBF网络识别能力比较研究A Study on Comparison of Recognition Abilities Between Improved BP Network and RBF Network
王晓娟,白艳萍
摘要(Abstract)：
针对像素级数据样本模式识别中BP神经网络与RBF神经网络识别能力的差异，通过构建改进BP神经网络（采用自适应学习速率与附加动量法），与RBF神经网络进行对比研究。设计三组试验（添加5%～50%随机噪声、局部遮挡字母、引入特定边廓噪声），利用混淆矩阵分析识别性能。结果表明，在40%以下随机噪声中，两种网络识别率均达100%；噪声增至50%时，改进BP网络识别率降至84.61%，而RBF神经网络仍保持100%。面对局部遮挡，二者均表现良好；但在边廓噪声干扰下，RBF神经网络识别率（84.62%）显著高于改进BP神经网络（65.38%）。结果证实，RBF神经网络在复杂噪声场景下泛化能力更强，为低维数据识别提供了更优选择。
关键词(KeyWords)： BP神经网络;RBF神经网络;模式识别
基金项目(Foundation): 重庆市教育委员会科学技术研究项目（KJQN202202304）
作者(Author): 王晓娟,白艳萍
DOI: 10.13440/j.slxy.1674-0033.2025.04.007
参考文献(References)：
- [1]陶泓丞.流形上非线性相关系数的特征与仿真分析[D].南京:南京理工大学,2023:7-55.
- [2]陈震峰,吴明,孙卫华.基于高阶累积量和BP神经网络的数字调制识别[J].舰船电子工程,2024,44(1):60-62.
- [3] CHEN M R, CHEN B P, ZENG G Q, et al. An adaptive fractional-order BP neural network based on extremal optimization for handwritten digits recognition[J].Neurocomputing,2020,391:260-272.
- [4] LIU J H, HONG J. Design of handwritten numeral recognition system based on BP neural network[J].Journal of Physics:Conference Series,2025,1:2021.
- [5]张凤南.智能手写体数字识别的研究与实现[J].电脑编程技巧与维护,2022(8):134-136.
- [6]严雯怡.BP神经网络中图像识别的噪声增益[D].南京:南京邮电大学,2023:6-47.
- [7]周怡红.基于径向基函数的非线性模型递推参数估计[D].无锡:江南大学,2023:9-103.
- [8]何云薇.RBF插值鞍点问题的迭代解法[D].武汉:武汉大学,2024:4-45.
- [9]安芸帙,崔明建,韩一宁,等.考虑数据隐私保护自适应联邦学习的分布式光伏有功可调节能力评估方法[J/OL].中国电机工程学报,1-14[2025-05-16].http://kns.cnki.net/kcms/detail/11.2107.TM.20250423.1556.002.html.
- [10]郑素佩,宋学力,封建湖.关于函数逼近法理论的一点认识[J].高等数学研究,2024,27(4):90-94,104.
- [11]沈瑜,李江柽,梁栋,等.特征选择的高效时间序列预测模型[J/OL].哈尔滨工业大学学报,1-14[2025-05-16].http://kns.cnki.net/kcms/detail/23.1235.T.20250321.1430.002.html.
- [12]齐晴.基于改进RBF及CNN神经网络的车牌识别研究[D].秦皇岛:燕山大学,2018:9-50.
- [13]魏巍,全海燕.基于单形进化的径向基网络训练算法[J].应用科学学报,2019,37(4):459-468.
- [14]曹敏,尹尚先,李书乾,等.基于混淆矩阵的带压开采底板突水危险性评价研究[J/OL].煤炭科学技术,1-13[2025-05-16].http://kns.cnki.net/kcms/detail/11.2402.td.20240923.1810.001.html.
- [15]刘伟吉,冯嘉豪,祝效华,等.基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究[J].科学技术与工程,2023,23(24):10264-10272.
- [16]张贯航.基于MNIST数据集的激活函数比较研究[J].软件,2023,44(9):165-168.