基于概率神经网络的在线分类器

摘要：

由Specht提出的概率神经网络(PNN)由于训练效率和统计基础而被广泛应用于各个领域.但是由于在PNN中使用Parzen窗口估计概率密度函数(PDF),整个训练数据会存储在模式层中,这无疑增加了存储负担.而且,仅使用一个全局平滑参数的原始PNN不能准确地表示复杂数据集中的局部信息.在对原始PNN进行了研究后,文中提出了一种新在线学习概率神经网络(OL-PNN).在线学习概率神经网络应用随机梯度上升方法实时更新参数,并采用高斯聚类将训练数据分类为由混合高斯模型表示的若干簇,其中高斯核函数中的每个维度都有各自的平滑参数和中心参数,从而可以减弱由于数据的不均匀分布引起的失真.此外,为了提高学习和表达能力,补偿由聚类算法引起的偏差,神经网络模型添加了一个额外的线性特征层.实验结果表明,该模型明显优于原始PNN,并且与很多流行分类器相当.

关键词：神经网络、分类器、概率神经网络、在线学习、核函数估计

所属期刊栏目：29

分类号：TP301(计算技术、计算机技术)

资助基金：吉林省科技发展计划20150204007GX

在线出版日期：2019-12-31（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：14-20