针对小样本数据集的鲁棒单隐层前馈网络建模方法
来源期刊:控制与决策2012年第9期
论文作者:张荣 邓赵红 王士同 蔡及时 钱鹏江
文章页码:1308 - 2631
关键词:单隐层前馈神经网络;ε-不敏感学习;结构风险最小化;鲁棒性;
摘 要:单隐层前馈神经网络是应用最广泛的智能建模模型之一,但该模型面对小样本集时传统的学习算法易陷入过拟合,尤其当数据集包含较大噪音时学习模型鲁棒性较差,对噪音很敏感,针对此不足,提出一种针对小样本数据集的鲁棒单隐层前馈神经网络学习算法,所提出的算法由于引入了ε-不敏感学习度量和结构风险项,能有效克服传统学习算法存在的缺陷,显示出较好的鲁棒性,在模拟和真实数据集上的实验亦证实了上述优点。
张荣1,邓赵红2,王士同2,蔡及时3,钱鹏江2
1. 江南大学物联网工程学院2. 江南大学数字媒体学院3. 香港理工大学护理学院
摘 要:单隐层前馈神经网络是应用最广泛的智能建模模型之一,但该模型面对小样本集时传统的学习算法易陷入过拟合,尤其当数据集包含较大噪音时学习模型鲁棒性较差,对噪音很敏感,针对此不足,提出一种针对小样本数据集的鲁棒单隐层前馈神经网络学习算法,所提出的算法由于引入了ε-不敏感学习度量和结构风险项,能有效克服传统学习算法存在的缺陷,显示出较好的鲁棒性,在模拟和真实数据集上的实验亦证实了上述优点。
关键词:单隐层前馈神经网络;ε-不敏感学习;结构风险最小化;鲁棒性;