动态数据约简的神经网络分类器训练方法研究
针对神经网络分类器训练时间长、泛化能力差的问题,提出了一种基于动态数据约简的神经网络分类器训练方法(DDR).该训练方法在训练过程中赋给每个训练样本一个权重值作为样本的重要性度量,依据每次网络迭代训练样本的分类错误率动态更新每个训练样本的权重值,之后依据样本的权重值来约简训练样本,从而增加易错分类的边界样本比重,减少冗余核样本的作用.数值实验表明,基于权重的动态数据约简神经网络训练方法不仅大幅缩短了网络的训练时间,而且还能够显著提升网络的分类泛化能力.
神经网络、数据约简、分类边界、样本权重、边界样本、核样本
12
TP301.6(计算技术、计算机技术)
国家自然科学基金项目51304114,71371091
2017-06-12(万方平台首次上网日期,不代表论文的发表时间)
共8页
258-265