10.3321/j.issn:0469-5097.2009.05.017
构造性覆盖方法的增量学习算法
构造性机器学习方法--覆盖算法学习速度快、复杂度低、可解释性强,能有效地解决有导师学习问题,并取得了很好的效果,但构造神经元的权值即取新覆盖中心时通常人为地给定一个准则,并未遵循样本的分布特征求得最优解.由此采用佳点集理论求取覆盖中心,以改进覆盖算法.针对大规模或动态数据集的分类问题,将构造性覆盖方法与增量学习的思想相结合,提出了构造性覆盖方法的增量学习算法.该算法利用改进的覆盖算法作为基础学习器,通过连续地对新增样本进行测试而反复不断地提炼已有模型,体现了对样本的"渐近式"学习.对标准数据集的实验结果表明,这种增量学习算法是有效的.
构造性机器学习方法、覆盖算法、佳点集、增量学习
45
TP181(自动化基础理论)
"973"计划2004CB318108,2007CB311003.国家自然科学基金60675031;中国博士后科学基金20070411028;安徽省高等学校优秀青年人才基金2009SQRZ020ZD;安徽大学"211"工程学术创新团队,安徽大学人才队伍建设基金
2009-12-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
699-704