10.3969/j.issn.1000-3428.2017.07.034
基于非线性嵌入的自联想神经网络
传统分类器常依赖于低维度子空间的特征进行分类,但仅在单个子空间下进行分类会因为不同类别的重叠而效果不佳.为此,提出一种基于流形学习的神经网络分类方法,利用非线性嵌入方法获得数据每个类的子空间,再使用非线性嵌入判别准则优化各个径向基函数自联想神经网络的参数.实验结果表明,该方法能有效解决类别重叠问题,分类准确率和鲁棒性高于传统分类方法.
非线性嵌入、自联想神经网络、径向基函数、深度学习、模式识别
43
TP391.4(计算技术、计算机技术)
教育部高等学校博士学科点专项科研基金20120071110035
2017-08-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
203-210,216