寬度學(xué)習(xí)系統(tǒng)是一種新型扁平前饋神經(jīng)網(wǎng)絡(luò),相比于深度結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)特點(diǎn)在于隱層的增加擴(kuò)展了網(wǎng)絡(luò)寬度而非深度。寬度學(xué)習(xí)系統(tǒng)只需利用偽逆計(jì)算與輸出相關(guān)的網(wǎng)絡(luò)參數(shù)而其余參數(shù)均隨機(jī)產(chǎn)生,而且所建模型無(wú)需重新訓(xùn)練便能完成更新,這賦予了其極高的學(xué)習(xí)效率。因此,寬度學(xué)習(xí)系統(tǒng)已經(jīng)應(yīng)用于計(jì)算機(jī)視覺(jué)、復(fù)雜工業(yè)過(guò)程控制與優(yōu)化、醫(yī)療健康等領(lǐng)域。但是寬度學(xué)習(xí)系統(tǒng)仍存在一些問(wèn)題影響其進(jìn)一步推廣。首先,寬度學(xué)習(xí)系統(tǒng)模型的泛化性易受噪聲和離群點(diǎn)的影響而降低。其次,網(wǎng)絡(luò)結(jié)構(gòu)存在冗余性使得所建模型較為復(fù)雜,模型可能面臨過(guò)擬合問(wèn)題而影響其泛化性。本文針對(duì)所提出的問(wèn)題進(jìn)行了研究并提出了解決方法,主要工作如下:（1）針對(duì)噪聲和離群點(diǎn)對(duì)寬度學(xué)習(xí)系統(tǒng)模型泛化性的干擾,本文提出魯棒寬度學(xué)習(xí)系統(tǒng)。魯棒寬度學(xué)習(xí)系統(tǒng)自適應(yīng)地為不同樣本分配合適的權(quán)重因子以控制樣本對(duì)建模的貢獻(xiàn)度,正常的樣本獲得較高的權(quán)重因子增加其貢獻(xiàn)度,而疑似異常樣本則獲得較低的權(quán)重因子降低其貢獻(xiàn)度,從而消除噪聲與離群點(diǎn)的負(fù)面作用。為了消除噪聲和離群點(diǎn)對(duì)增量學(xué)習(xí)過(guò)程的干擾,保證模型快速有效地更新,本文將加權(quán)因子融入增量學(xué)習(xí)過(guò)程中從而提出了魯棒增量學(xué)習(xí)算法。本文給出幾種權(quán)... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
變量注釋表
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
2 寬度學(xué)習(xí)系統(tǒng)理論概述
    2.1 前饋神經(jīng)網(wǎng)絡(luò)
    2.2 隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)
    2.3 寬度學(xué)習(xí)系統(tǒng)理論
    2.4 本章總結(jié)
3 魯棒寬度學(xué)習(xí)系統(tǒng)
    3.1 引言
    3.2 算法介紹
    3.3 實(shí)驗(yàn)仿真與討論
    3.4 本章總結(jié)
4 基于融合懲罰的寬度網(wǎng)絡(luò)結(jié)構(gòu)稀疏技術(shù)
    4.1 引言
    4.2 算法介紹
    4.3 實(shí)驗(yàn)仿真與討論
    4.4 本章總結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于最小p-范數(shù)的寬度學(xué)習(xí)系統(tǒng)[J]. 鄭云飛,陳霸東.  模式識(shí)別與人工智能. 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]隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀與展望[J]. 喬俊飛,李凡軍,楊翠麗.  智能系統(tǒng)學(xué)報(bào). 2016(06)
[4]神經(jīng)網(wǎng)絡(luò)中BP算法的分析[J]. 張鈴,張鈸.  模式識(shí)別與人工智能. 1994(03)



本文編號(hào)：3603350