铁路计算机应用
鐵路計算機應用
철로계산궤응용
RAILWAY COMPUTER APPLICATION
2007年
3期
40-42
,共3页
RBF神经网络%分类%在线%增量式学习%数据挖掘
RBF神經網絡%分類%在線%增量式學習%數據挖掘
RBF신경망락%분류%재선%증량식학습%수거알굴
模式分类是RBF神经网络应用的一个重要方面.在线环境中数据集是经常变动的,采用批量式学习算法(如OLS算法)训练RBF网络会产生大量的重复训练,从而导致学习效率不高.为弥补这种不足,从梯度下降方法推导出一种增量式学习算法,用于在线环境中的RBF神经网络训练.最后将基此算法构建的在线分类系统用于IRIS分类问题.结果表明,该算法有较快的收敛速度,网络的在线分类性能良好.
模式分類是RBF神經網絡應用的一箇重要方麵.在線環境中數據集是經常變動的,採用批量式學習算法(如OLS算法)訓練RBF網絡會產生大量的重複訓練,從而導緻學習效率不高.為瀰補這種不足,從梯度下降方法推導齣一種增量式學習算法,用于在線環境中的RBF神經網絡訓練.最後將基此算法構建的在線分類繫統用于IRIS分類問題.結果錶明,該算法有較快的收斂速度,網絡的在線分類性能良好.
모식분류시RBF신경망락응용적일개중요방면.재선배경중수거집시경상변동적,채용비량식학습산법(여OLS산법)훈련RBF망락회산생대량적중복훈련,종이도치학습효솔불고.위미보저충불족,종제도하강방법추도출일충증량식학습산법,용우재선배경중적RBF신경망락훈련.최후장기차산법구건적재선분류계통용우IRIS분류문제.결과표명,해산법유교쾌적수렴속도,망락적재선분류성능량호.
