论文摘要
由Specht提出的概率神经网络（PNN）由于训练效率和统计基础而被广泛应用于各个领域。但是由于在PNN中使用Parzen窗口估计概率密度函数（PDF）,整个训练数据会存储在模式层中,这无疑增加了存储负担。而且,仅使用一个全局平滑参数的原始PNN不能准确地表示复杂数据集中的局部信息。在对原始PNN进行了研究后,文中提出了一种新在线学习概率神经网络（OL-PNN）。在线学习概率神经网络应用随机梯度上升方法实时更新参数,并采用高斯聚类将训练数据分类为由混合高斯模型表示的若干簇,其中高斯核函数中的每个维度都有各自的平滑参数和中心参数,从而可以减弱由于数据的不均匀分布引起的失真。此外,为了提高学习和表达能力,补偿由聚类算法引起的偏差,神经网络模型添加了一个额外的线性特征层。实验结果表明,该模型明显优于原始PNN,并且与很多流行分类器相当。
论文目录
文章来源
类型: 期刊论文
作者: 吴垒,于哲舟
关键词: 神经网络,分类器,概率神经网络,在线学习,核函数估计
来源: 计算机技术与发展 2019年12期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 吉林大学计算机科学与技术学院
基金: 吉林省科技发展计划(20150204007GX)
分类号: TP18
页码: 14-20
总页数: 7
文件大小: 981K
下载量: 162