一种概率映射网络的EM训练算法

本文提出一种概率映射网络(PMN)的EM(Expectation Maximization)训练算法。PMN为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。此PMN用高斯核函数作为密度函数,网络参数训练由EM算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。

一种PMN网络的GEM训练算法

本文提出一种概率映射网络（PMN）的CEM（GeneralExpectationMaximization）训练算法，它是EM（ExpectionMaximization）算法的一种改进算法。PMN网为一个四层前馈网。它构成一个贝叶斯分类器，实现多类分类的贝叶斯判别，把输入的样本模式经网络变换为输出的分类判决，其网络节点对应于贝叶斯后验概率公式的各个变量。此PMN网络用高斯校函数作为密度函数，网络参数的训练由GEM算法实现，其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明了此网络及其学习算法在分类应用中的有效性。