基于循环自构形算法的神经网络结构优化
BP(back propagation)神经网络中隐层节点的个数过多将影响网络的泛化性能和效率,自构形学习算法通过考察网络隐层节点输出之间的相关性来删除和合并隐层节点.但自构形算法在节点的删除和合并时存在网络收敛不一致问题,因此,在自构形算法中引入随机度概念,在分治算法思想的基础上提出了循环自构形算法来优化网络结构.Matlab实验对比验证了循环自构形算法能从不同或相同的隐层节点数剪枝到一致的网络结构,并将网络结构优化至最精简.
循环自构形、BP神经网络、结构优化、泛化、随机度
29
TP183(自动化基础理论)
江西省科技攻关项目200418100100
2008-05-14(万方平台首次上网日期,不代表论文的发表时间)
共4页
411-413,417