Resumen

Se presenta un mtodo optimizado de clasificacin de redes neuronales basado en el aprendizaje holstico de kernel y divisin (KHLD). El mtodo propuesto se basa en el kernel aprendido de la funcin de base radial (RBF) como objeto de investigacin. El kernel aqu propuesto puede considerarse una regin subespacial que consiste en la misma categora de patrones en el espacio muestral de entrenamiento. Al ampliar la regin del espacio muestral de las instancias originales, la informacin relevante entre instancias puede obtenerse del subespacio, y el lmite de los clasificadores puede alejarse de las instancias originales; de este modo, se mejoran la robustez y el rendimiento de generalizacin del clasificador. En la implementacin concreta, se genera un nuevo vector de patrones dentro de cada ncleo RBF de acuerdo con el mtodo de optimizacin de instancias y cribado para caracterizar KHLD. Los experimentos con conjuntos de datos artificiales y varios conjuntos de datos de referencia de la UCI demuestran la eficacia de nuestro mtodo.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Red neuronal; Aprendizaje holístico kernel; División; Función de base radial; Región subespacial; Rendimiento de generalización
• Keywords:Neural network; Kernel holistic learning; Division; Radial basis function; Subspace region; Generalization performance