The invention discloses a method for optimizing neural network classifier based on holistic learning partition of the core, which includes the following steps: (1) establishing RBF core to complete the optimal coverage of the original training sample space, and generating the number and parameters of new RBF kernels; (2) taking the center and width of each RBF core as parameters, establishing a probability distribution similar to the original sample in the effective area covered by each RBF core. Generating new sample data; (3) judging whether the newly generated sample data is retained or not, and finally forming a new subset of pattern vectors; (4) Constructing a new set of samples together with all the final retained pattern vectors to train the weights of the output classifier. The invention improves the problem of learning algorithm invalidation caused by too small sample set or too high dimension of sample space; in terms of probability, the way of whole kernel partition can make the boundary of the learned classifier far away from the original sample, and enhance the robustness and generalization ability of the classifier.
【技术实现步骤摘要】
一种核整体学习划分的优化神经网络分类器的方法
本专利技术属于模式识别领域,具体涉及一种核整体学习划分的优化神经网络分类器的方法。
技术介绍
在模式识别领域,集合分类是常见的分类任务,它在文本分类、说话人语音识别、图像识别等领域具有广泛的应用。以图像识别为例,在基于图像集合的分类任务中,每个图像集合是由一类具有一定数量相似特征的图像数据组成。由于使用了图像数据变化的相关信息,它可以有效探索由于实际条件变化而引起的图像变化。在当前已有的各种神经网络分类器当中,都是基于对单一模式矢量的学习分类。然而当训练样本集规模过小或分类数据集维数过高时,会使样本集的空间分布相对过于稀疏,由于网络分类器的分类面本质上是由训练样本的概率分布决定的,训练样本集规模过小或分类数据集维数过高会使得最终分类面的误差相对较大,因此导致已有的神经网络分类器分类性能不同程度降低。
技术实现思路
为了改善现有技术存在的上述问题,本专利技术目的在于提供一种核整体学习划分的优化神经网络分类器的方法。本专利技术所采用的技术方案为:一种核整体学习划分的优化神经网络分类器的方法,包括以下步骤:(1)建立RBF核完成对原始训练样本空间的优化覆盖,并生成新的RBF核个数及参数;(2)以每个RBF核的中心及核宽为参数,在各RBF核所覆盖的有效区域内建立与原始样本相近似的概率分布来生成新的样本数据;(3)判断新生成的样本数据是否保留,最终构成一个新的模式矢量子集;(4)将原始样本和最终保留的所有模式矢量一起构成新的样本集合,以训练输出分类器权值参数。进一步地,所述步骤(1)中采用势函数对原始训练样本空间的优化覆盖; ...
【技术保护点】
1.一种核整体学习划分的优化神经网络分类器的方法,其特征在于:包括以下步骤:(1)建立RBF核完成对原始训练样本空间的优化覆盖,并生成新的RBF核个数及参数;(2)以每个RBF核的中心及核宽为参数,在各RBF核所覆盖的有效区域内建立与原始样本相近似的概率分布来生成新的样本数据;(3)判断新生成的样本数据是否保留,最终构成一个新的模式矢量子集;(4)将原始样本和最终保留的所有模式矢量一起构成新的样本集合,以训练输出分类器权值参数。
【技术特征摘要】
1.一种核整体学习划分的优化神经网络分类器的方法,其特征在于:包括以下步骤:(1)建立RBF核完成对原始训练样本空间的优化覆盖,并生成新的RBF核个数及参数;(2)以每个RBF核的中心及核宽为参数,在各RBF核所覆盖的有效区域内建立与原始样本相近似的概率分布来生成新的样本数据;(3)判断新生成的样本数据是否保留,最终构成一个新的模式矢量子集;(4)将原始样本和最终保留的所有模式矢量一起构成新的样本集合,以训练输出分类器权值参数。2.根据权利要求1所述的一种核整体学习划分的优化神经网络分类器的方法,其特征在于:所述步骤(1)中采用势函数对原始训练样本空间的优化覆盖;设x,y分别代表模式空间的两个向量,γ(x,y)代表由这两个向量建立的势函数;势函数满足以下几个条件:当x=y时,γ(x,y)获得最大值;当x与y之间的距离趋于无穷大时,γ(x,y)的值趋于零;γ(x,y)是连续光滑函数,随着x与y之间的距离的增加,γ(x,y)的值单调下降;④若γ(x1,y1)=γ(x2,y1),则向量x1和x2对y1具有相同的相似性程度。3.根据权利要求2所述的一种核整体学习划分的优化神经网络分类器的方法,其特征在于:所述势函数为:γ(x,y)=exp(-T||x-y||2)其...
【专利技术属性】
技术研发人员:闻辉,黄金火,严涛,徐航,陈德礼,车艳,李同彬,林元模,
申请(专利权)人:莆田学院,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。