动态数据约简的神经网络分类器训练方法研究

• 作者: 刘威 刘尚 周定宁 周璇 白润才
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 神经网络 数据约简 分类边界 样本权重 边界样本 核样本
• 年，卷（期）: 2017,（2）
• 页码范围: 258-265
• 页数: 8页
• 分类号: TP301.6
• 字数: 6858字
• 语种: 中文
• DOI: 10.11992/tis.201605031

摘要

针对神经网络分类器训练时间长、泛化能力差的问题,提出了一种基于动态数据约简的神经网络分类器训练方法(DDR).该训练方法在训练过程中赋给每个训练样本一个权重值作为样本的重要性度量,依据每次网络迭代训练样本的分类错误率动态更新每个训练样本的权重值,之后依据样本的权重值来约简训练样本,从而增加易错分类的边界样本比重,减少冗余核样本的作用.数值实验表明,基于权重的动态数据约简神经网络训练方法不仅大幅缩短了网络的训练时间,而且还能够显著提升网络的分类泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	白润才	辽宁工程技术大学矿业学院	122	947	16.0	23.0
2	刘威	辽宁工程技术大学理学院	21	130	7.0	11.0
3	刘尚	辽宁工程技术大学理学院	3	37	3.0	3.0
4	周璇	辽宁工程技术大学理学院	3	37	3.0	3.0
5	周定宁	辽宁工程技术大学理学院	2	3	1.0	1.0