| 稳健二进神经网络的几何训练 |
| |
| 引用本文： | 张军英,保 铮.稳健二进神经网络的几何训练[J].控制与决策,2001,16(6):864-868. |
| |
| 作者姓名： | 张军英 保 铮 |
| |
| 作者单位： | 西安电子科技大学电子工程研究所 |
| |
| 基金项目： | 国家自然科学基金项目 (6 0 0 710 2 6 ,6 99710 18)，国防科技跨行业基金项目 (0 0 J1.4 .4 .DZ0 10 6 ) |
| |
| 摘 要： | 在二进神经网络的规划划分训练方法基础上，针对稳键二进神经网络稳健神经元的特点，讨论了稳健分类超平面的几何构造方法，并提出了相应的训练算法，包括隐层神经元的几何训练和输出神经无的进化训练。实验表明，该算法对复杂Boole函数的稳健二进神经网络的实现是有效且可行的。
|
| 关 键 词： | 稳健二进神经网络 稳健分类超平面 几何训练 Boole函数 |
| 文章编号： | 1001-0920(2001)06-0864-05 |
| 修稿时间： | 2000年8月17日 |
Geometric Learning for Robust Binary Neural Networks |
| |
| ZHANG Jun ying,BAO Zheng.Geometric Learning for Robust Binary Neural Networks[J].Control and Decision,2001,16(6):864-868. |
| |
| Authors: | ZHANG Jun ying BAO Zheng |
| |
| Abstract: | Based on the regular partitioning algorithm for learning ordinary feedforward neural net works, a geometric learning algorithm is presented for training robust binary feedforward neural networks, including the robust hidden neurons and robust output neuron. A large number of experiments show that the algorithm is very efficient and effective. |
| |
| Keywords: | robust binary feedforward neural networks robust classification hyperplane geometric learning Boole functions |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
| 点击此处可从《控制与决策》浏览原始摘要信息 |
|
点击此处可从《控制与决策》下载全文 |
