论文部分内容阅读
通常对径向基（radialbasis function，RBF）神经网络的改进大多是注重隐藏节点选取、大规模数据学习速率和函数组织形式，忽视了初始输入样本自身间的结构信息。研究发现，输入样本的不同属性对分类能力影响的程度也不同，即每个属性应该有自己的分类权重。在对样本归一化预处理后，研究了不同属性在分类时的贡献因子，提出了新的算法模型CFRBF（contribution factors RBF），用贡献因子来描述样本各个属性的重要性。选用了蛋白质二级预测问题来验证模型，传统的二级预测是将样本直接输入网络，