基于Lasso稀疏学习的径向基函数神经网络模型

• 作者: 崔晨 王士同 邓赵红
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 数据挖掘 Lasso稀疏学习 径向基函数 神经网络 收缩参数
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 173-177
• 页数: 5页
• 分类号: TP391
• 字数: 3626字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0048910

摘要

传统径向基函数 (RBF) 神经网络模型使用完整的隐含层节点进行模型构建时, 会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降, 导致模型更加复杂.为此, 提出一种改进的RBF神经网络模型.通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示, 去除冗余和不相关隐含层节点的同时保留重要的隐含层节点, 并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能.实验结果表明, 与现有RBF神经网络模型相比, 该模型具有更低的计算复杂度和更高的分类精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	邓赵红	江南大学数字媒体学院	86	764	11.0	26.0
3	崔晨	江南大学数字媒体学院	2	2	1.0	1.0