【技术实现步骤摘要】
一种基于RESN
‑
SOL神经网络的分类方法
[0001]本专利技术针对传统ESN分类方法无法保证分类精度的问题，采用ε不敏感损失函数，将在线梯度下降法与稀疏逼近算法相结合，从而对数据样本进行分类。神经网络是智能信息处理技术的主要分支之一，基于神经网络的分类技术属于智能信息领域。
技术介绍
[0002]人类活动中最常见的一种决策任务就是分类，它体现了人类的智慧。在人工智能和模式识别的不断发展中，在多个领域的多种分类算法被纷纷提出，使得分类方法不断发展。传统分类器多为线性分类器，然而对于非线性可分问题，线性分类器天生存在局限性，所以，非线性分类器的提出是必然的。
[0003]神经网络作为众多非线性分类方法中的一个重要类型，是一种基于数据驱动的自适应方法，只需要对神经网络模型进行一定的训练，而不需对隐含分布形式进行关注。分类过程的实质是寻找样本数据与类别标签之间的映射关系，而神经网络具有自主学习能力，能够逼近任意函数，这也是其广泛应用的重要原因。在模式分类的发展和应用中，对于神经网络分类方法的研究具有重...
【技术保护点】
【技术特征摘要】
1.一种基于RESN
‑
SOL神经网络的分类方法，其特征在于，包括以下步骤：步骤1：初始化网络结构及参数步骤1.1：初始化网络结构将数据集中的M个特征作为输入变量，类型标签作为输出变量，确定回声状态网络结构为M
‑
N
‑
1，其中N表示储备池节点个数；典型回声状态网络的储备池节点个数N取值为50≤N≤1000，即该网络含有M个输入节点，N个储备池节点，1个输出节点；步骤1.2：初始化网络参数将sigmoid函数作为网络激活函数g(
·
)，选取训练样本{(u
k
,t
k
)|u
k
∈R
n
,k＝1,2,...,L}，u(k)表示第k组输入样本，t(k)表示第k组实际输出值，u
k
∈R
n
表示输入样本维度为n，L为样本总数；确定初始迭代次数i＝0，最大迭代次数i
max
＝L，随机初始化网络输入权值W
in
和储备池内部权值设置初始输出权值W
out
＝0；步骤2：采用如下ε不敏感损失函数对网络性能进行评估以提高回声状态网络分类模型的鲁棒性；的鲁棒性；其中，X(k)＝[x(k)
T
,u(k)
T
]
T
∈R
(N+n)
，x(k)为网络的状态矩阵...
【专利技术属性】
技术研发人员：杨翠丽，王丹蕾，杜永萍，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。