基于RBF神經(jīng)網(wǎng)絡(luò)的集成增量學(xué)習(xí)方法研究.pdf_第1頁
已閱讀1頁,還剩52頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)只能進(jìn)行一次學(xué)習(xí),不能在第一次學(xué)習(xí)的基礎(chǔ)上實(shí)現(xiàn)二次學(xué)習(xí)?,F(xiàn)實(shí)生活中不可能一次性獲得所有的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù),所以很多學(xué)者提出了增量學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。本文研究新增類別的增量學(xué)習(xí),在保留已學(xué)知識的基礎(chǔ)之上,從新樣本中學(xué)習(xí)新知識。
  為了解決增量學(xué)習(xí)網(wǎng)絡(luò)中可塑性和穩(wěn)定性的難題,本文采用集成方法進(jìn)行增量學(xué)習(xí)。針對集成增量學(xué)習(xí)網(wǎng)絡(luò)增長過快問題,本文提出了基于RBF(徑向基)神經(jīng)網(wǎng)絡(luò)的集成增量學(xué)習(xí)方法。該方法每次學(xué)習(xí)新的類別知識時(shí)都

2、訓(xùn)練一個(gè)RBF子神經(jīng)網(wǎng)絡(luò),把新訓(xùn)練的RBF子神經(jīng)網(wǎng)絡(luò)加入到集成系統(tǒng)中,從而組建成一個(gè)大的集成神經(jīng)網(wǎng)絡(luò)系統(tǒng),并用最近中心法確定獲勝子網(wǎng)絡(luò),網(wǎng)絡(luò)的結(jié)果輸出由獲勝子網(wǎng)絡(luò)決定,與其他非獲勝子網(wǎng)絡(luò)無關(guān)。為了解決RBF學(xué)習(xí)過程中不同子網(wǎng)絡(luò)核函數(shù)中心相近的問題,本文引入了SOM(自組織映射)神經(jīng)網(wǎng)絡(luò),用訓(xùn)練好的SOM原型向量構(gòu)建PNN(概率神經(jīng)網(wǎng)絡(luò)),并用最大概率確定獲勝子網(wǎng)絡(luò)。基于以上兩種確定獲勝子網(wǎng)絡(luò)的方法,本文又提出了最近中心與最大概率相結(jié)合的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論