基于概率神經(jīng)網(wǎng)絡(luò)的在線分類器
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 分類器 概率神經(jīng)網(wǎng)絡(luò) 在線學(xué)習(xí) 核函數(shù)估計
摘要：由Specht提出的概率神經(jīng)網(wǎng)絡(luò)(PNN)由于訓(xùn)練效率和統(tǒng)計基礎(chǔ)而被廣泛應(yīng)用于各個領(lǐng)域。但是由于在PNN中使用Parzen窗口估計概率密度函數(shù)(PDF),整個訓(xùn)練數(shù)據(jù)會存儲在模式層中,這無疑增加了存儲負擔(dān)。而且,僅使用一個全局平滑參數(shù)的原始PNN不能準確地表示復(fù)雜數(shù)據(jù)集中的局部信息。在對原始PNN進行了研究后,文中提出了一種新在線學(xué)習(xí)概率神經(jīng)網(wǎng)絡(luò)(OL-PNN)。在線學(xué)習(xí)概率神經(jīng)網(wǎng)絡(luò)應(yīng)用隨機梯度上升方法實時更新參數(shù),并采用高斯聚類將訓(xùn)練數(shù)據(jù)分類為由混合高斯模型表示的若干簇,其中高斯核函數(shù)中的每個維度都有各自的平滑參數(shù)和中心參數(shù),從而可以減弱由于數(shù)據(jù)的不均勻分布引起的失真。此外,為了提高學(xué)習(xí)和表達能力,補償由聚類算法引起的偏差,神經(jīng)網(wǎng)絡(luò)模型添加了一個額外的線性特征層。實驗結(jié)果表明,該模型明顯優(yōu)于原始PNN,并且與很多流行分類器相當(dāng)。
計算機技術(shù)與發(fā)展雜志要求:
{1}參考文獻著錄格式請參照國家標準《文后參考文獻著錄規(guī)則》(GB7714-87)。
{2}鼓勵首發(fā)，反對抄襲、剽竊等侵犯他人著作權(quán)的行為。由此給本刊造成不良后果的，本刊將追究責(zé)任。
{3}本刊稿件從發(fā)表之日起，如無電子版、網(wǎng)絡(luò)版、有聲版等方面特殊說明，即視作投稿者同意授權(quán)本刊電子版、網(wǎng)絡(luò)版、有聲版等的復(fù)制權(quán)、匯編權(quán)、發(fā)行權(quán)、翻譯權(quán)、信息網(wǎng)絡(luò)傳播權(quán)及其轉(zhuǎn)授權(quán)等專著權(quán)。
{4}中文題名一般不超過20個漢字，一般不使用副題名，中英文題名含義一致。
{5}投稿請?zhí)顚懻鎸嵱行У脑敿毜刂?、郵政編碼、聯(lián)系電話及E-mail，以便聯(lián)系。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
