支持增量式更新的大数据特征学习模型

摘要：

大数据具有高速变化特性，其内容与分布特征均处于动态变化之中，目前的前馈神经网络模型是一种静态学习模型，不支持增量式更新，难以实时学习动态变化的大数据特征。针对这个问题，提出一种支持增量式更新的大数据特征学习模型。通过设计一个优化目标函数对参数进行快速增量式更新，为了在更新过程中保持网络的原始知识，最小化平方误差函数。对于特征变化频繁的数据，通过增加隐藏层神经元数目网络对结构进行更新，使得更新后的网络能够实时学习动态变化大数据的特征。在对网络参数与结构更新之后，通过权重矩阵SVD分解对更新后的网络结构进行优化，删除冗余的网络连接，增强网络模型的泛化能力。实验结果表明提出的模型能够在尽可能保持网络模型原始知识的基础上，通过不断更新神经网络的参数与结构实时学习动态大数据的特征。

关键词：大数据、前馈神经网络、增量式学习、奇异值分解(SVD)

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金重点项目No.U1301253；辽宁省自然科学基金No.201202032。

在线出版日期：2015-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：21-26,48