-
题名一种空间几何角度最大化的随机增量学习模型及应用
被引量：1
- 1
-
-
作者
南静
代伟
袁冠
周平
-
机构
中国矿业大学信息与控制工程学院
中国矿业大学计算机科学与技术学院
东北大学流程工业综合自动化国家重点实验室
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2023年第6期1283-1294,共12页
-
基金
国家自然科学基金(61973306)
江苏省自然科学基金优秀青年项目(BK20200086)
+1 种基金
江苏省研究生科研与实践创新计划(KYCX22_2552)
中国矿业大学未来杰出人才助力计划(2022WLKXJ077)资助。
-
文摘
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.
-
关键词
随机权神经网络
增量学习
空间几何角度最大化约束
无限逼近性
-
Keywords
Random weight neural networks(RWNNs)
incremental learning
spatial geometric angle maximiza�tion constraint
universal approximation property
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
