摘要
本文研究了流形学习的分类器网络结构优化设计问题,针对利用神经网络对同一对象的非线性结构样本集进行分类和识别时,如何合理地设计网络结构的问题,提出了一个新颖的基于低维参数空间估计的神经网络结构设计的方法。该方法以流形学习为基础,结合Sammon系数有效估计出低维参数空间大小,并将此对应到神经网络结构分组设计的隐节点分组数目上,从而设计出具有一定泛化能力的网络结构。实验结果表明了本文所提方法的有效性。
Optimization design of classifier structure was studied based on manifold learning. A novel approach of neural network design based on parameter space in low-dimension manifold was proposed to solve the problems of designing neural network rationally, which is used in recognition and classification of congener samples with non-linear configuration. This method is based on manifold learning and combines Sammon stress in order to estimate the size of parameter space in low-dimension, furthermore this size corresponds with the number of hidden nodes in neural networks. Experimental results clearly demonstrate that the proposed method is effective.
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2008年第6期1221-1224,共4页
Chinese Journal of Scientific Instrument
基金
国家"十一五"科技支撑计划(2006BAF01A18)资助项目
作者简介
胡静，1986年毕业于中国人民解放军信息工程大学，获学士学位；2001年毕业于中国科技大学，获硕士学位；2007年毕业于合肥工业大学，获博士学位，现为郑州大学软件技术学院讲师，主要研究方向为模式识别、智能信息获取。E-mail：lyhujing@163．com王世卿，1976年毕业于哈尔滨工业大学，1980年于中国科学院金属研究所获硕士学位，1996年于中国科学院金属研究所获博士学位，现为郑州大学软件技术学院教授、博士生导师，主要研究方向为并行计算、电子商务／交易系统。E-mail：iesqwang@zzu．edu．cn
