使用不同置信级训练样本的神经网络学习方法

被引：7

作者：

高学星 ^{[1
]}

孙华刚 ^{[2
]}

侯保林 ^{[1
]}

机构：

[1] 南京理工大学机械工程学院

[2] 军械技术研究所

来源：

电子与信息学报 | 2014年 / 36卷 / 06期

关键词：

神经网络; 模型拟合; 基于知识的神经网络(KBNN); 先验知识;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对含不同置信级样本的模型拟合问题,该文提出了一种基于神经网络的二次学习方法。文中指出真实模型是实验模型的一种变异,提出逼近真实模型期望值的神经网络,是融合先验样本和真实样本的最佳网络。首先,以先验样本为训练样本进行第1次神经网络学习,并计算取决于硬点信息的软点误差容量区间;然后,同时将先验样本和真实样本作为训练样本,利用软点误差容量区间和硬点误差敏感系数,对神经网络训练过程中输入/目标对的误差进行修改,通过第2次学习得到既能精确拟合真实样本,又能最大化利用先验样本信息的综合网络。与基于知识的神经网络(KBNN)相比,该方法更加简单,可操控性更强并具有更加明确的逻辑意义。

引用

页码：1307 / 1311

页数：5

共 14 条

[1]

融合过程先验知识的递归神经网络模型及其应用 [J].

娄海川 ;

苏宏业 ;

谢磊 .

化工学报, 2013, 64 (05) :1665-1673

[2]

样本量对飞灰含碳量的神经网络预测精度的影响 [J].

李露 ;

李斌 ;

杜艳玲 ;

谢一民 .

电力科学与工程, 2012, 28 (09) :38-41+46

[3]

用于步进电机细分控制的知识人工神经网络 [J].

文刚 .

现代电子技术, 2011, 34 (07) :190-192

[4]

基于知识的神经网络在出行方式选择中的应用研究 [J].

鲜于建川 ;

隽志才 .

计算机应用研究, 2008, (09) :2651-2654

[5]

基于证据加权调整方法的神经网络及其在故障诊断中的应用 [J].

朱永生 ;

王成栋 ;

张优云 .

机械工程学报, 2002, (06) :66-71

[6]

The Idea of Knowledge Supplementation and Explanation Using Neural Networks to Support Decisions in Construction Engineering.[J].Marcin Gajzler.Procedia Engineering.2013,

[7]

Algorithm learning based neural network integrating feature selection and classification [J].