2016基于局部泛化误差界的训练方法研究报告人刘晓艳.pptVIP

基于局部泛化误差界的RBF网络训练方法研究 报告人：刘晓艳 主要内容 课题来源及背景和意义 研究现状及分析 所做的工作 遇到的问题及进一步的工作 参考文献 课题来源及背景和意义 RBF神经网络的结构选择中，即隐含层神经元个数的确定问题，一直是难点。合理的选择其结构会提高RBF神经网络的泛化能力。 局部泛化误差模型，考虑分类器在输入空间局部区域上的泛化能力。对于量化的考察对于网络的容错能力（error-tolerance）和泛化能力(generalization ability) 有一定启发意义。 神经网络的敏感性标示着这种分类器的variance特性，而经验误差的大小则是标示着分类器的bias特性，将两者有机的结合起来作为一种评价分类器泛化能力的标准可能会有很好的效果。（criteria） 研究现状及分析 介绍局部泛化误差模型现状 敏感性SM (sensitivity measure) 敏感性定义及其计算 定义：衡量网络输出对于输入或权重（或其他的参数）的扰动而改变程度的定量度量。 敏感性的应用 正是由于敏感性考察网络各参数的变化对于网络输出的影响程度，因而，基于敏感性分析来优化或调整各参数的选择即成为它的主要应用方向。 研究现状及分析 现存的局部泛化误差模型理论 研究现状及分析 现存的局部泛化误差模型用于RBFNN的结构选择 研究现状及分析 所做的工作 将经验误