使用不同置信级训练样本的神经网络学习方法

• 作者: 侯保林 孙华刚 高学星
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 神经网络 模型拟合 基于知识的神经网络(KBNN) 先验知识
• 年，卷（期）: 2014,（6）
• 所属期刊栏目: 论文
• 页码范围: 1307-1311
• 页数: 5页
• 分类号: TP183
• 字数: 3728字
• 语种: 中文
• DOI: 10.3724/SP.J.1146.2013.01099

摘要

针对含不同置信级样本的模型拟合问题，该文提出了一种基于神经网络的二次学习方法。文中指出真实模型是实验模型的一种变异，提出逼近真实模型期望值的神经网络，是融合先验样本和真实样本的最佳网络。首先，以先验样本为训练样本进行第1次神经网络学习，并计算取决于硬点信息的软点误差容量区间；然后，同时将先验样本和真实样本作为训练样本，利用软点误差容量区间和硬点误差敏感系数，对神经网络训练过程中输入/目标对的误差进行修改，通过第2次学习得到既能精确拟合真实样本，又能最大化利用先验样本信息的综合网络。与基于知识的神经网络(KBNN)相比，该方法更加简单，可操控性更强并具有更加明确的逻辑意义。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	侯保林	南京理工大学机械工程学院	53	415	12.0	17.0
2	高学星	南京理工大学机械工程学院	5	23	3.0	4.0
3	孙华刚		30	141	7.0	10.0