计算机学报
計算機學報
계산궤학보
CHINESE JOURNAL OF COMPUTERS
2004年
9期
1256-1263
,共8页
模块化神经网络%梯度%任务分解%多模块判定
模塊化神經網絡%梯度%任務分解%多模塊判定
모괴화신경망락%제도%임무분해%다모괴판정
该文提出了一种基于梯度的并行协作模块化神经网络的体系结构(GPCMNN).它通过分解模块,根据梯度方法对学习样本空间自动分解,由子空间识别模块和子任务模块实现各子样本空间的识别和学习,集成模块将子样本空间结果集成得系统的输出,实现了复杂任务的自动分解、判定和模块化训练策略.实验表明,该文提出的GPCMNN体系结构是可行的、有效的;与非模块化神经网络技术相比,提高了训练速度,改善了网络性能.它具有高效并行的运行效率、便于硬件实现等特点,同时又保持了PCMNN[7]算法的优点,改进了它的不足.
該文提齣瞭一種基于梯度的併行協作模塊化神經網絡的體繫結構(GPCMNN).它通過分解模塊,根據梯度方法對學習樣本空間自動分解,由子空間識彆模塊和子任務模塊實現各子樣本空間的識彆和學習,集成模塊將子樣本空間結果集成得繫統的輸齣,實現瞭複雜任務的自動分解、判定和模塊化訓練策略.實驗錶明,該文提齣的GPCMNN體繫結構是可行的、有效的;與非模塊化神經網絡技術相比,提高瞭訓練速度,改善瞭網絡性能.它具有高效併行的運行效率、便于硬件實現等特點,同時又保持瞭PCMNN[7]算法的優點,改進瞭它的不足.
해문제출료일충기우제도적병행협작모괴화신경망락적체계결구(GPCMNN).타통과분해모괴,근거제도방법대학습양본공간자동분해,유자공간식별모괴화자임무모괴실현각자양본공간적식별화학습,집성모괴장자양본공간결과집성득계통적수출,실현료복잡임무적자동분해、판정화모괴화훈련책략.실험표명,해문제출적GPCMNN체계결구시가행적、유효적;여비모괴화신경망락기술상비,제고료훈련속도,개선료망락성능.타구유고효병행적운행효솔、편우경건실현등특점,동시우보지료PCMNN[7]산법적우점,개진료타적불족.
