增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.

近似概念格及其增量构造算法研究

针对传统概念格处理不完备信息的局限,给出了处理形式背景有缺值现象的概念格扩展模型———近似概念格,在此基础上提出改进的概念格增量构造算法。该算法引入哈希技术和最近父节点的增量计算方法,从加速定位生成元和更新边这两个关键过程改进Godin算法。采用随机数据集设计实验,实验表明,改进的算法可有效提高对形式背景有缺值现象概念格的建格效率,尤其是对数据规模和发生关系概率较大的数据集,算法的高效性更明显。

随机权神经网络增量构造学习方法研究进展

随机权神经网络(random weight neural network,RWNN)在解决数据定性和定量分析方面具有强大的潜力,其最显著的特征是隐含层参数随机生成.这一特征使得RWNN相比于基于梯度下降优化微调节点参数的神经网络具有诸多优势,如结构简单、易于实现和低人工干预等.RWNN的隐含层和输入层之间的参数是在一个固定区间内随机生成,而隐含层和输出层之间的输出权值则通过解析法进行求解.增量构造方法从一个小的初始网络开始,逐渐添加新的隐含层节点以提升模型品质,直到满足预期性能目标.基于此,重点从基础理论、增量构造学习方法和未来开放研究方向等方面切入,全面综述增量RWNN的研究进展.首先介绍RWNN的基本结构、理论和分析;进一步重点介绍RWNN在增量构造学习方法上的各种改进及应用;最后指出RWNN增量构造学习未来开放的研究方向.

三元概念的增量式构造方法

三元概念的构造方法是三元概念分析的核心问题之一,当条件逐个增加时,研究三元概念的增量式构造方法.首先,详细分析增加一个新的条件后原三元背景中三元概念的变化以及新增加的条件对新背景的三元概念的影响.分别针对下述四种情况给出充分必要条件:(1)新添加的条件对原背景的三元概念不影响,它仍旧是新三元背景的三元概念;(2)原背景的三元概念被替换掉,它不再是新三元背景的三元概念,替换后的三元概念的外延和内涵与原来一致,但是方式增加了新的条件;(3)原背景的三元概念与新的条件共同生成一个新的三元概念;(4)新增加的条件不借助任何原背景的三元概念生成新的三元概念.在此基础上给出基于条件的三元概念的增量式构造算法.最后,通过实例阐明增量式方法生成三元概念的详细过程.

一个增量式构造语义模型的方法

凭借构造性逻辑的Ｋｒｉｐｋｅ语义，给出了在自然语言语义理解过程中增量式构造语义解释模型的方法．

几何约束求解可构造模式研究

针对完整几何约束系统刚性复合顶点的装配求解问题,细化和分离出可几何构造模式,并提出几何增量构造的方法求解这类模式。通过对可构造模式子构型的构造,求出刚性体的自由转动和自由移动运动空间,在自由运动空间中构造未满足的几何约束。该方法在几何约束求解中具有实际的应用价值,克服了数值整体迭代的不稳定性和符号法的低效率,并实现于几何约束求解器CBA中。