基于突触巩固机制的前馈小世界神经网络设计

小世界神经网络具有较快的收敛速度和优越的容错性, 近年来得到广泛关注. 然而, 在网络构造过程中, 随机重连可能造成重要信息丢失, 进而导致网络精度下降. 针对该问题, 基于Watts-Strogatz (WS) 型小世界神经网络, 提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation, FSWNN-SC). 首先, 使用网络正则化方法对规则前馈神经网络进行预训练, 基于突触巩固机制, 断开网络不重要的权值连接, 保留重要的连接权值; 其次, 设计重连规则构造小世界神经网络, 在保证网络小世界属性的同时实现网络稀疏化, 并使用梯度下降算法训练网络; 最后, 通过4个UCI基准数据集和2个真实数据集进行模型性能测试, 并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验. 实验结果表明: 所提出的FSWNN-SC模型在获得紧凑的网络结构的同时, 其精度显著优于规则前馈神经网络及其他WS型小世界神经网络.     

公理化设计在Raz-Kids平台中的问题研究

目的对Raz-Kids平台的应用进行公理化设计分析,验证其设计合理性并提出改善性意见。方法通过公理化设计原则对平台的功能需求、设计参数进行相关性分析,用UCINET分析出各变量之间的关系,找出权重变量,进一步分析其合理性。结论 Raz-Kids平台的部分设计符合公理化设计,平台存在着不同程度的问题。解决优化这些问题会使该平台得到更好的发展,也为以后的软件设计提供新的设计分析方法。