江西理工大学学报
江西理工大學學報
강서리공대학학보
JOURNAL OF JIANGXI UNIVERSITY OF SCIENCE AND TECHNOLOGY
2010年
3期
41-43
,共3页
标准BP算法%零误差密度最大算法%支持向量机
標準BP算法%零誤差密度最大算法%支持嚮量機
표준BP산법%령오차밀도최대산법%지지향량궤
前馈神经网络的学习通常以均方误差为目标函数(MSE),易陷入局部极小,而零误差密度最大算法(z-EDM)以误差在零点的概率密度函数为神经网络新的目标函数,能够达到全局最优.将Z-EDM算法应用到BP网络中,并通过仿真将两者进行了比较,实验结果表明,Z-EDM算法在分类方面要明显优于MSE算法.并且对这一算法进行了分析,可知以优化此目标函数的神经网络的学习仍是基于经验风险最小化原则,通过仿真将基于Z-EDM算法的BP网络与支持向量机(SVM)在两分类方面进行比较,结果表明此算法对于某些数据集具有与SVM近似的性能,但总体上性能仍不及基于结构风险最小化的SVM.
前饋神經網絡的學習通常以均方誤差為目標函數(MSE),易陷入跼部極小,而零誤差密度最大算法(z-EDM)以誤差在零點的概率密度函數為神經網絡新的目標函數,能夠達到全跼最優.將Z-EDM算法應用到BP網絡中,併通過倣真將兩者進行瞭比較,實驗結果錶明,Z-EDM算法在分類方麵要明顯優于MSE算法.併且對這一算法進行瞭分析,可知以優化此目標函數的神經網絡的學習仍是基于經驗風險最小化原則,通過倣真將基于Z-EDM算法的BP網絡與支持嚮量機(SVM)在兩分類方麵進行比較,結果錶明此算法對于某些數據集具有與SVM近似的性能,但總體上性能仍不及基于結構風險最小化的SVM.
전궤신경망락적학습통상이균방오차위목표함수(MSE),역함입국부겁소,이령오차밀도최대산법(z-EDM)이오차재영점적개솔밀도함수위신경망락신적목표함수,능구체도전국최우.장Z-EDM산법응용도BP망락중,병통과방진장량자진행료비교,실험결과표명,Z-EDM산법재분류방면요명현우우MSE산법.병차대저일산법진행료분석,가지이우화차목표함수적신경망락적학습잉시기우경험풍험최소화원칙,통과방진장기우Z-EDM산법적BP망락여지지향량궤(SVM)재량분류방면진행비교,결과표명차산법대우모사수거집구유여SVM근사적성능,단총체상성능잉불급기우결구풍험최소화적SVM.