留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

变量可分离函数的RBF神经网络拟合模型及其VC维

黄榕波 郭穗勋

黄榕波, 郭穗勋. 变量可分离函数的RBF神经网络拟合模型及其VC维[J]. 华南师范大学学报(自然科学版), 2010, 1(3): 39-41 .
引用本文: 黄榕波, 郭穗勋. 变量可分离函数的RBF神经网络拟合模型及其VC维[J]. 华南师范大学学报(自然科学版), 2010, 1(3): 39-41 .
HUANG Rong-Bo, Sui-Xun GUO. RBFNEURAL NETWORK FITTING MODEL TO VARIABLE- SEPARABLE FUNCTION AND ITS VC DIMENSION[J]. Journal of South China normal University (Natural Science Edition), 2010, 1(3): 39-41 .
Citation: HUANG Rong-Bo, Sui-Xun GUO. RBFNEURAL NETWORK FITTING MODEL TO VARIABLE- SEPARABLE FUNCTION AND ITS VC DIMENSION[J]. Journal of South China normal University (Natural Science Edition), 2010, 1(3): 39-41 .

变量可分离函数的RBF神经网络拟合模型及其VC维

详细信息
    通讯作者:

    黄榕波

  • 中图分类号: 

    TP183

RBFNEURAL NETWORK FITTING MODEL TO VARIABLE- SEPARABLE FUNCTION AND ITS VC DIMENSION

More Information
    Corresponding author: HUANG Rong-Bo
  • 摘要: 提出变量可分离函数的径向基函数网络拟合模型(Fitting Model based Radial Basis Function network to Variable Separable Function,VSRBF)及其学习算法并分析VSRBF的VC维.VSRBF是一个由多个子径向基函数网络组成的分工协作系统,由于把高维模型分解为低维模型,与传统径向基函数网络(Based Radial Basis Function Network,RBF)相比, VSRBF 不仅明显地降低了系统复杂性而且网络的收敛速度更快.证明了VSRBF的VC维低于传统RBF的VC维,实验表明VSRBF在处理高维模型的行为明显优于RBF.
  • 加载中
计量
  • 文章访问数:  1905
  • HTML全文浏览量:  74
  • PDF下载量:  454
  • 被引次数: 0
出版历程
  • 收稿日期:  2010-03-17
  • 修回日期:  2010-04-24
  • 刊出日期:  2010-08-25

目录

    /

    返回文章
    返回