计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2002年
8期
10-12,169
,共4页
神经网络%增量学习%交叉覆盖
神經網絡%增量學習%交扠覆蓋
신경망락%증량학습%교차복개
构造型神经网络模型通过将样本映射到单位超球面上并用覆盖方法进行识别,具有计算速度快、识别率高、几何意义明显等优点.但是常用的基于交叉覆盖的方法在首次构造完成后,难以再继续进行修改和加强,从而阻碍了网络的再学习能力.文章提出了该构造型神经网络的一种双交叉覆盖方法,一方面吸收了原交叉覆盖的优点,一方面提供了良好的再学习能力.通过实验验证,该方法可以较好地运用到构造型神经网络的增量学习中.
構造型神經網絡模型通過將樣本映射到單位超毬麵上併用覆蓋方法進行識彆,具有計算速度快、識彆率高、幾何意義明顯等優點.但是常用的基于交扠覆蓋的方法在首次構造完成後,難以再繼續進行脩改和加彊,從而阻礙瞭網絡的再學習能力.文章提齣瞭該構造型神經網絡的一種雙交扠覆蓋方法,一方麵吸收瞭原交扠覆蓋的優點,一方麵提供瞭良好的再學習能力.通過實驗驗證,該方法可以較好地運用到構造型神經網絡的增量學習中.
구조형신경망락모형통과장양본영사도단위초구면상병용복개방법진행식별,구유계산속도쾌、식별솔고、궤하의의명현등우점.단시상용적기우교차복개적방법재수차구조완성후,난이재계속진행수개화가강,종이조애료망락적재학습능력.문장제출료해구조형신경망락적일충쌍교차복개방법,일방면흡수료원교차복개적우점,일방면제공료량호적재학습능력.통과실험험증,해방법가이교호지운용도구조형신경망락적증량학습중.
