Cho dù thuật toán hai pha HDH đã cải thiện đáng kể chất lượng của mạng, nhưng trong trường hợp các mốc nội suy cách đều nhau, thì thuật toán này chưa khai thác được ưu điểm phân bố đều của các mốc nội suy. Theo thuật toán HDH việc xác định giá trị hàm cơ sở bán kính là giống nhau với những điểm có khoảng cách đến tâm bằng nhau. Điều này không thực sự phù hợp với những tập dữ liệu có độ lớn của mỗi chiều quá chênh lệnh. Khắc phụ nhược điểm đó, thay cho chuẩn Euclide chúng tôi dùng chuẩn Mahalanobis để xác định giá trị của hàm cơ sở bán kính Gauss. Khi đó các tham số độ rộng bán kính sẽ được xác định trước, và sử dụng pha 2 của thuật toán HDH để huấn luyện mạng. Lúc này, thuật toán hai pha HDH được cải tiến thành thuật toán một pha. Thực nghiệm cho thấy thuật toán mới một pha không những giảm đáng kể thời gian huấn luyện mà tính tổng quát của mạng cũng tốt hơn. Thuật toán này thực sự có ý nghĩa cho bài toán có mốc nội suy cách đều nhau và chạy tốt với số mốc lớn.
CHƯƠNG 5. MẠNG RBF ĐỊA PHƯƠNG
Thuật toán lặp hai pha mới đề xuất trong chương trước đã rút ngắn đáng kể thời gian huấn luyện mạng nơron nội suy RBF. Tuy nhiên thời gian huấn luyện mạng tăng rất nhanh khi số mốc tăng nên khó sử dụng mạng trong các bài toán thường xuyên có dữ liệu bổ sung trong thời gian thực. Đến nay, chưa có một phương pháp hiệu quả nào để xấp xỉ hàm nhiều biến hoặc phân lớp mẫu cho các bài toán thời gian thực đòi hỏi thời gian huấn luyện ngắn, đặc biệt với các bài toán động. Mạng nội suy RBF địa phương giới thiệu trong bài này là kết hợp cách tiếp cận mạng nơron nhân tạo và phương pháp học dựa trên mẫu (instance-based learning) để giải quyết vấn đề mở đó. Chúng tôi dùng ý tưởng của nội suy Spline: nội suy bằng các dạng hàm đơn giản trên từng đoạn con, sau đó ghép trơn các hàm này thành hàm nội suy. Trong mạng này, các dữ liệu huấn luyện được phân cụm dựa trên miền xác định thành các cụm con có cỡđủ nhỏ và dùng thuật toán lặp huấn luyện mạng nội suy RBF vừa đề xuất để huấn luyện mạng trên mỗi cụm con.
Chương này trình bày như sau. Mục 5.1 đưa ra nhận xét gợi mở ý tưởng xây dựng mạng địa phương. Kiến trúc mạng và các thuật toán huấn luyện được trình bày ở mục 5.2. Mục 5.3 giới thiệu một chứng minh cho tính tổng quát của mạng này, mô hình cho bài toán động và các kết quả thực nghiệm được giới thiệu trong các mục 5.3 và 5.4. Các nhận xét chung được đưa ở mục 5.6.
Các kết quả chính của chương này được công bố trong hội thảo quốc tế của IEEE [20], và tạp chí quốc tếInternational Journal of Data Mining, Modelling and Management Science (IJDMMM)[21].