版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、超限學(xué)習(xí)機(jī)是針對單隱層前饋神經(jīng)網(wǎng)絡(luò)的一種新型學(xué)習(xí)方法,因其算法結(jié)構(gòu)簡單,學(xué)習(xí)速度快,以及良好的泛化性能等優(yōu)良的特性而日漸被研究人員關(guān)注.但在實際的應(yīng)用中,在訓(xùn)練網(wǎng)絡(luò)完成后,如果因需要,需剔除某些數(shù)據(jù),如”臟數(shù)據(jù)”,冗余數(shù)據(jù)等.剔除或替換后,傳統(tǒng)的超限學(xué)習(xí)機(jī)需要重新訓(xùn)練整個網(wǎng)絡(luò),但對于大數(shù)據(jù),會增加很多額外的訓(xùn)練時間.針對這一問題,在超限學(xué)習(xí)機(jī)算法的基礎(chǔ)上,提出了剔除訓(xùn)練樣本的在線負(fù)增量學(xué)習(xí)算法和替換訓(xùn)練樣本的增量學(xué)習(xí)算法:即剔除或替換訓(xùn)
2、練樣本后,不需要再重新訓(xùn)練整個網(wǎng)絡(luò),而只要在原有結(jié)果的基礎(chǔ)上,通過更新外權(quán)矩陣來完成網(wǎng)絡(luò)訓(xùn)練.除此之外,在誤差最小化超限學(xué)習(xí)機(jī)的基礎(chǔ)上,提出了增加隱層節(jié)點的增量算法:即當(dāng)增加隱層節(jié)點后,測試樣本的輸出結(jié)果在原有結(jié)果上進(jìn)行更新,無需重新計算,從而提高運行效率.本文主要研究內(nèi)容如下:
第一章闡述了超限學(xué)習(xí)機(jī)的原理及研究現(xiàn)狀,簡單總結(jié)了本文的研究內(nèi)容及研究意義,以及與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)研究算法相比較的優(yōu)勢.
第二章研究了剔除訓(xùn)練
3、樣本的在線負(fù)增量學(xué)習(xí)算法,剔除數(shù)據(jù)后,首先利用增量學(xué)習(xí)的思想,在原有訓(xùn)練結(jié)果的基礎(chǔ)上計算出更新后的外權(quán)矩陣,因此不需要重新訓(xùn)練整個網(wǎng)絡(luò),進(jìn)而完成對測試樣本輸出結(jié)果的更新.文中分別從算法復(fù)雜性和仿真實驗兩方面分析驗證本節(jié)算法更具有速度優(yōu)勢.
第三章研究了替換訓(xùn)練樣本的增量學(xué)習(xí)算法,替換數(shù)據(jù)后,運用第二章中的在線負(fù)增量算法和在線序列增量算法的思想,設(shè)計該算法的外權(quán)矩陣,進(jìn)而對測試樣本輸出結(jié)果進(jìn)行更新.算法復(fù)雜性分析和仿真實驗的結(jié)果
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于監(jiān)督聚類的極限學(xué)習(xí)機(jī)的增量學(xué)習(xí)算法研究.pdf
- 基于稀疏貝葉斯的半監(jiān)督超限學(xué)習(xí)機(jī)分類算法研究.pdf
- 基于超限學(xué)習(xí)機(jī)的手勢識別方法研究.pdf
- 基于流形正則化超限學(xué)習(xí)機(jī)的入侵檢測研究.pdf
- 基于稀疏表示和超限學(xué)習(xí)機(jī)的智能地標(biāo)識別算法.pdf
- 基于深度學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法研究.pdf
- 超限學(xué)習(xí)機(jī)的優(yōu)化改進(jìn)及應(yīng)用研究.pdf
- 基于集成學(xué)習(xí)的極限學(xué)習(xí)機(jī)的算法研究.pdf
- 基于多核共空間模式的超限學(xué)習(xí)機(jī)聚類診斷方法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的多示例算法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的目標(biāo)識別算法研究.pdf
- 基于極限學(xué)習(xí)機(jī)的選擇性集成學(xué)習(xí)算法研究.pdf
- 支持向量機(jī)增量學(xué)習(xí)算法研究.pdf
- 基于序列數(shù)據(jù)獲取的改進(jìn)極限學(xué)習(xí)機(jī)算法研究.pdf
- 支持向量機(jī)的增量學(xué)習(xí)算法研究.pdf
- 增量支持向量機(jī)學(xué)習(xí)算法研究.pdf
- 基于Kernel學(xué)習(xí)機(jī)的建模與分類的應(yīng)用算法研究.pdf
- 基于集成極限學(xué)習(xí)機(jī)的神經(jīng)元分類算法研究.pdf
- 基于向量投影的支持向量機(jī)增量學(xué)習(xí)算法.pdf
- 灰色極限學(xué)習(xí)機(jī)預(yù)測算法研究.pdf
評論
0/150
提交評論