华南师范大学学报(自然科学版)
華南師範大學學報(自然科學版)
화남사범대학학보(자연과학판)
JOURNAL OF SOUTH CHINA NORMAL UNIVERSITY (NATURAL SCIENCE EDITION)
2011年
2期
60-64
,共5页
对传神经网络%分类算法%推进学习%预测波动性
對傳神經網絡%分類算法%推進學習%預測波動性
대전신경망락%분류산법%추진학습%예측파동성
结合Adaboost算法的加权投票机制,提高对传神经网络CPN(Counterpropagation Networks)的学习效率,提出新型快速分类算法(简称为ACPN).实验证明,新算法的学习最小误差比传统CPN算法下降了96%,训练时闻同比下降44%,网络训练阶段误差下降趋势明显稳定.
結閤Adaboost算法的加權投票機製,提高對傳神經網絡CPN(Counterpropagation Networks)的學習效率,提齣新型快速分類算法(簡稱為ACPN).實驗證明,新算法的學習最小誤差比傳統CPN算法下降瞭96%,訓練時聞同比下降44%,網絡訓練階段誤差下降趨勢明顯穩定.
결합Adaboost산법적가권투표궤제,제고대전신경망락CPN(Counterpropagation Networks)적학습효솔,제출신형쾌속분류산법(간칭위ACPN).실험증명,신산법적학습최소오차비전통CPN산법하강료96%,훈련시문동비하강44%,망락훈련계단오차하강추세명현은정.