计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2002年
7期
17-19
,共3页
遗传算法%神经网络%优化设计%最小风险准则%均方误差准则
遺傳算法%神經網絡%優化設計%最小風險準則%均方誤差準則
유전산법%신경망락%우화설계%최소풍험준칙%균방오차준칙
提出了一种基于最小平均风险准则的遗传算法优化设计前向神经网络的方法,遗传算法的适应度函数并不采用传统的均方误差准则,而是由平均风险准则所决定.这种方法在计算神经网络输出与期望输出之间误差的同时,还要考虑神经网络对不同类型训练样本产生的这种误差所引起的不同的风险损失.这种方法优化得到的神经网络不仅可以准确地再现训练样本集合的期望输出,对训练样本集合外样本的正确预测能力也有明显的提高.
提齣瞭一種基于最小平均風險準則的遺傳算法優化設計前嚮神經網絡的方法,遺傳算法的適應度函數併不採用傳統的均方誤差準則,而是由平均風險準則所決定.這種方法在計算神經網絡輸齣與期望輸齣之間誤差的同時,還要攷慮神經網絡對不同類型訓練樣本產生的這種誤差所引起的不同的風險損失.這種方法優化得到的神經網絡不僅可以準確地再現訓練樣本集閤的期望輸齣,對訓練樣本集閤外樣本的正確預測能力也有明顯的提高.
제출료일충기우최소평균풍험준칙적유전산법우화설계전향신경망락적방법,유전산법적괄응도함수병불채용전통적균방오차준칙,이시유평균풍험준칙소결정.저충방법재계산신경망락수출여기망수출지간오차적동시,환요고필신경망락대불동류형훈련양본산생적저충오차소인기적불동적풍험손실.저충방법우화득도적신경망락불부가이준학지재현훈련양본집합적기망수출,대훈련양본집합외양본적정학예측능력야유명현적제고.
