鲁棒宽度学习系统及其网络结构稀疏

发布时间：2022-01-23 01:51

　　宽度学习系统是一种新型扁平前馈神经网络,相比于深度结构神经网络,其结构特点在于隐层的增加扩展了网络宽度而非深度。宽度学习系统只需利用伪逆计算与输出相关的网络参数而其余参数均随机产生,而且所建模型无需重新训练便能完成更新,这赋予了其极高的学习效率。因此,宽度学习系统已经应用于计算机视觉、复杂工业过程控制与优化、医疗健康等领域。但是宽度学习系统仍存在一些问题影响其进一步推广。首先,宽度学习系统模型的泛化性易受噪声和离群点的影响而降低。其次,网络结构存在冗余性使得所建模型较为复杂,模型可能面临过拟合问题而影响其泛化性。本文针对所提出的问题进行了研究并提出了解决方法,主要工作如下:（1）针对噪声和离群点对宽度学习系统模型泛化性的干扰,本文提出鲁棒宽度学习系统。鲁棒宽度学习系统自适应地为不同样本分配合适的权重因子以控制样本对建模的贡献度,正常的样本获得较高的权重因子增加其贡献度,而疑似异常样本则获得较低的权重因子降低其贡献度,从而消除噪声与离群点的负面作用。为了消除噪声和离群点对增量学习过程的干扰,保证模型快速有效地更新,本文将加权因子融入增量学习过程中从而提出了鲁棒增量学习算法。本文给出几种权... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要工作
2 宽度学习系统理论概述
    2.1 前馈神经网络
    2.2 随机向量函数链接神经网络
    2.3 宽度学习系统理论
    2.4 本章总结
3 鲁棒宽度学习系统
    3.1 引言
    3.2 算法介绍
    3.3 实验仿真与讨论
    3.4 本章总结
4 基于融合惩罚的宽度网络结构稀疏技术
    4.1 引言
    4.2 算法介绍
    4.3 实验仿真与讨论
    4.4 本章总结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]基于最小p-范数的宽度学习系统[J]. 郑云飞,陈霸东.  模式识别与人工智能. 2019(01)
[2]Discriminative graph regularized broad learning system for image recognition[J]. Junwei JIN,Zhulin LIU,C.L.Philip CHEN.  Science China（Information Sciences）. 2018(11)
[3]随机权神经网络研究现状与展望[J]. 乔俊飞,李凡军,杨翠丽.  智能系统学报. 2016(06)
[4]神经网络中BP算法的分析[J]. 张铃,张钹.  模式识别与人工智能. 1994(03)



本文编号：3603350