基于Hebb规则的分布神经网络学习算法

• 作者: 刘衍珩 吴静 李宾 田大新
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: scaling up 数据分割 Hebb规则 分布式学习 竞争学习
• 年，卷（期）: 2007,（8）
• 所属期刊栏目: 学习算法
• 页码范围: 1379-1388
• 页数: 10页
• 分类号: TP183
• 字数: 9250字
• 语种: 中文
• DOI: 10.3321/j.issn:0254-4164.2007.08.020

摘要

随着知识发现与数据挖掘领域数据量的不断增加,为了处理大规模数据,scaling up学习成为KDD的热点研究领域.文中提出了基于Hebb规则的分布式神经网络学习算法实现scaling up学习.为了提高学习速度,完整数据集被分割成不相交的子集并由独立的子神经网络来学习;通过对算法完整性及竞争Hebb学习的风险界的分析,采用增长和修剪策略避免分割学习降低算法的学习精度.对该算法的测试实验首先采用基准测试数据circlein-the-square测试了其学习能力,并与SVM,ARTMAP和BP神经网络进行比较;然后采用UCI中的数据集USCensus1990测试其对大规模数据的学习性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	田大新	吉林大学计算机科学与技术学院	15	284	8.0	15.0
5	刘衍珩	吉林大学计算机科学与技术学院	99	816	14.0	25.0
9	李宾	吉林大学数学学院	12	109	4.0	10.0
10	吴静	吉林大学计算机科学与技术学院	31	124	5.0	10.0