典型文献
基于随机特征映射的四层多核学习方法
文献摘要：
针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络(FRMFNN)节点规模过大的问题,提出了一种基于随机特征映射的四层多核学习神经网络(MK-FRMFNN)算法.首先,把原始输入特征通过特定的随机映射算法转化为随机映射特征;然后,经过不同的随机核映射生成多个基本核矩阵;最后,将基本核矩阵组成合成核矩阵,并通过输出权重连接到输出层.对原始特征进行随机映射的权重是根据任意连续采样概率分布随机生成的,不需要训练更新,且对输出层的权重使用岭回归伪逆算法进行快速求解,从而避免了反复迭代耗时的训练过程.MK-FRMFNN在基本核映射时引入了不同的随机权重矩阵,生成的合成核矩阵不仅可以综合各种核函数的优势,而且可以集合各种随机分布函数的特性,使数据在新的特征空间中获得更好的特征选择和表达效果.理论和实验分析表明,与宽度学习系统(BLS)及FRMFNN等单核模型相比,MK-FRMFNN模型的节点规模减小了2/3左右,且分类性能稳定;与主流的多种多核模型相比,MK-FRMFNN模型能够对大样本数据集进行学习,并且分类性能明显更优.
文献关键词：
随机特征映射;稀疏自动编码器;多核学习;岭回归;正则化
中图分类号：
作者姓名：
杨悦;王士同
作者机构：
江南大学人工智能与计算机学院,江苏无锡214122
文献出处：
引用格式：
[1]杨悦;王士同-.基于随机特征映射的四层多核学习方法)[J].计算机应用,2022(01):16-25
A类：
随机特征映射,FRMFNN
B类：
四层,多核学习,核网,核函数,无理,MK,输入特征,核映射,核矩阵,成核,接到,出层,连续采样,概率分布,岭回归,伪逆算法,训练过程,随机权重,权重矩阵,随机分布,分布函数,特征空间,特征选择,表达效果,宽度学习系统,BLS,分类性能,大样本,样本数据集,稀疏自动编码器,正则化
AB值：
0.267953
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
