一种具有迁移学习能力的RBF-NN算法及其应用
经典的径向基人工神经网络学习能逼近任意函数,因而应用广泛.但其存在的一个重要缺陷是,在已标签样本过少、不能反映数据集整体分布情况下,容易产生过拟合现象,从而导致泛化性能严重下降.针对上述问题,探讨具有迁移学习能力的径向基人工神经网络学习算法,该算法在引入ε不敏感损失函数和结构风险项的同时,学习源领域径向基函数的中心向量及核宽和源领域模型参数,通过充分学习历史源领域知识来弥补当前领域因已标签样本少而导致泛化能力下降的不足.将该算法应用于人造数据集和真实发酵数据集进行验证,和传统的RBF神经网络算法相比,所提算法在已标签样本少而存在数据缺失的场景下,具有更好的适应性.
径向基函数神经网络、迁移学习、径向基函数中心向量、ε不敏感损失函数、信息缺失
13
TP391(计算技术、计算机技术)
国家自然科学基金项目61572236;江苏省高等学校自然科学研究项目18KJB520048;江苏高校“青蓝工程”项目苏教师[2016]15号;江苏省“333高层次人才培养工程”项目苏人才[2016]7号
2018-11-30(万方平台首次上网日期,不代表论文的发表时间)
共8页
959-966