神经网络中将任务学习与模型学习相结合的E-H和E-H-W学习方法

• 作者: 张立明 武妍
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 神经网络 模型学习 任务学习 泛化能力 Hebbian学习
• 年，卷（期）: 2004,（2）
• 所属期刊栏目: 学术论文
• 页码范围: 278-281
• 页数: 4页
• 分类号: TP183
• 字数: 4468字
• 语种: 中文
• DOI: 10.3321/j.issn:0372-2112.2004.02.023

摘要

本文从获取好的神经网络泛化能力出发,首先提出了将Hebbian学习与增加问题复杂性统一起来的思想,并通过在总的误差函数中增加一限制函数来实现Hebbian学习.基于此,提出了一种将误差驱动的任务学习与Hebbian规则的模型学习相结合的E-H方法.然后,根据模型学习应同时考虑减小网络复杂性和增加问题复杂性的思想,又提出了一种将误差驱动的学习与Hebbian规则、简单的权退化法结合起来,共同来提高神经网络的泛化能力的E-H-W方法.最后通过大量实例仿真将它们与纯误差驱动的方法、权退化法、其它文献中的相关方法进行了比较.结果表明我们的方法具有最好的泛化能力,是很有效的神经网络学习方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张立明	复旦大学电子工程系	104	1550	23.0	34.0
2	武妍	同济大学计算机科学与工程系	58	726	15.0	24.0