10.19678/j.issn.1000-3428.0048910
基于Lasso稀疏学习的径向基函数神经网络模型
传统径向基函数 (RBF) 神经网络模型使用完整的隐含层节点进行模型构建时, 会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降, 导致模型更加复杂.为此, 提出一种改进的RBF神经网络模型.通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示, 去除冗余和不相关隐含层节点的同时保留重要的隐含层节点, 并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能.实验结果表明, 与现有RBF神经网络模型相比, 该模型具有更低的计算复杂度和更高的分类精度.
数据挖掘、Lasso稀疏学习、径向基函数、神经网络、收缩参数
45
TP391(计算技术、计算机技术)
国家自然科学基金61772239, 61403247;国家重点研发计划2016YFB0800803;江苏省杰出青年基金BK20140001
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共5页
173-177