基于Lasso稀疏学习的径向基函数神经网络模型

摘要：

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.

关键词：数据挖掘、Lasso稀疏学习、径向基函数、神经网络、收缩参数

所属期刊栏目：45

分类号：TP391(计算技术、计算机技术)

资助基金：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

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：173-177