[发明专利]一种随机权网络泛化能力改进方法、装置和计算机可读存储介质在审
申请号: | 201810386262.4 | 申请日: | 2018-04-26 |
公开(公告)号: | CN108564173A | 公开(公告)日: | 2018-09-21 |
发明(设计)人: | 何玉林;敖威 | 申请(专利权)人: | 深圳大学 |
主分类号: | G06N3/08 | 分类号: | G06N3/08 |
代理公司: | 深圳市恒申知识产权事务所(普通合伙) 44312 | 代理人: | 王利彬 |
地址: | 518060 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种随机权网络泛化能力改进方法、装置和计算机可读存储介质,本发明的随机权网络泛化能力改进方法首先在伪残差数据集上解析地计算弱随机权网络的初始输出层权重,之后,设计了考虑当前集成学习模型损失和复杂度的目标函数,通过最小化目标函数计算出了最优输出层权重的优化准则,最后,以初始输出层权重为启发式,结合推导的优化准则,计算出弱随机权网络的最优输出层权重,该过程可以看作是对弱随机权网络初始输出层权重的再次优化,通过目标函数得出优化规则,并对弱随机权网络初始输出层权重进行再次优化的好处主要体现在:结构较为简单的集成学习模型能够获得更好的泛化表现、更优秀的过拟合控制能力以及更小的预测方差。 | ||
搜索关键词: | 随机权 输出层 权重 网络 能力改进 计算机可读存储介质 集成学习 目标函数 优化准则 目标函数计算 残差数据 控制能力 优化规则 复杂度 启发式 最小化 推导 方差 拟合 优化 解析 预测 表现 | ||
【主权项】:
1.一种随机权网络泛化能力改进方法,其特征在于,所述方法包括:步骤S1:在初始训练集上训练初始随机权网络RWN0,其输入层权重和隐含层偏置在区间[‑1,1]内随机选取,其输出层权重依据下式解析求得:其中,H0为RWN0的隐含层输出矩阵,I为L×L阶单位矩阵,正则化因子λ>0,规范化因子C>0,L为随机权网络隐含层节点个数,且L>0;步骤S2:从k=1到k=K,进行如下迭代运算:计算损失函数在处的一阶导数向量计算损失函数在处的二阶导数向量计算伪残差向量基于伪残差训练数据集确定弱随机权网络RWNk的初始输出层权重:其中,Hk为RWNk的隐含层输出矩阵,I为L×L阶单位矩阵;确定RWNk最优输出层权重对当前的集成学习模型或梯度提升随机权网络进行更新,即GBRWNk=GBRWNk‑1+RWNk和Fk(X)=Fk‑1(X)+Ek(X)。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳大学,未经深圳大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810386262.4/,转载请声明来源钻瓜专利网。