科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对随机权神经网络(Random weight neural networks, RWNNs)隐含层节点随机生成过程可解释性不足和节点随机生成而导致的网络结构不紧致等问题,提出了一种空间几何角度最大化随机增量学习模型(Stochastic incremental learning model with maximizing spatial geometry angle, SGA-SIM).首先,以空间几何视角深入分析随机增量学习过程,建立了具有可解释性的空间几何角度最大化约束,以改善隐含层节点质量,并证明该学习模型具有无限逼近特性;同时,引入格雷维尔迭代法优化学习模型输出权值计算方法,提高模型学习效率.在真实的分类和回归数据集以及数值模拟实例上的实验结果表明,所提增量学习模型在建模速度、模型精度和模型网络结构等多个方面具有明显优势.
- 单位
