一種隨機(jī)的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)復(fù)雜網(wǎng)絡(luò)環(huán)境下網(wǎng)絡(luò)流監(jiān)測（分類）問題，為實(shí)現(xiàn)多個(gè)類別直接分類以及提高學(xué)習(xí)方法的訓(xùn)練速度，提出了一種隨機(jī)的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法。該方法借鑒平面高斯（PG）神經(jīng)網(wǎng)絡(luò)模型，引入隨機(jī)投影思想，通過計(jì)算矩陣偽逆的方法解析獲得網(wǎng)絡(luò)連接矩陣，理論上可證明該網(wǎng)絡(luò)具有全局逼近能力。在人工數(shù)據(jù)和標(biāo)準(zhǔn)網(wǎng)絡(luò)流監(jiān)測數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)仿真，與同樣采用隨機(jī)方法的極限學(xué)習(xí)機(jī)（ELM）和PG網(wǎng)絡(luò)相比，分析與實(shí)驗(yàn)結(jié)果表明：1）由于繼承了PC網(wǎng)絡(luò)的幾何特性，對(duì)平面型分布數(shù)據(jù)更為有效；2）采用了隨機(jī)方法，訓(xùn)練速度與ELM相當(dāng)，但比PC網(wǎng)絡(luò)快得多；3）三種方法中，該方法更有利于解決網(wǎng)絡(luò)流監(jiān)測問題。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
一種隨機(jī)的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法下載
相關(guān)電子資料下載
- 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法 109
- CNN的定義和優(yōu)勢 112
- 基于CNN的網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計(jì) 105
- 數(shù)據(jù)分析有哪些分析方法 82
- 數(shù)據(jù)分析與數(shù)據(jù)挖掘的區(qū)別 55
- rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò) 164
- rnn是什么神經(jīng)網(wǎng)絡(luò)模型 162
- rnn是什么神經(jīng)網(wǎng)絡(luò) 174
- 遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式主要分為 129
- 簡述遞歸神經(jīng)網(wǎng)絡(luò)的計(jì)算過程 135