概率神经网络的.pdf

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
实用标准文案 Donald F.Specht Probabilistic Neural Networks Neural Networks,Vol.3,pp.109-118,1990 概 率 神 经 网 络 摘要:以指数函数替代神经网络中常用的 S 形激活函数, 进而构造出能够计算非线性判别 边界的概率神经网络( PNN),该判定边界接近于贝叶斯最佳判定面。还讨论了拥有类似性 质的其他激活函数。所提出的这种 4 层神经网络能够把任何输入模式映射到多个类别。如 果能取得新数据的话,可以使用新数据实时地修改判定边界,并可以使用完全并行运行的 人工“神经元”付诸实现。还为估计类别的出现概率和可靠性,以及做判别作好准备。对 于反向传播增加的适应时间占总计算时间的重大部分的问题,这种方法显示出非常快速的 优点。 PNN范式比反向传播快 200 ,000 倍。 关键词: 神经网格,概率密度函数,并行处理机, “神经元”,模式识别, Parzen 窗口, 贝叶斯策略,相联存储器 1. 动机 神经网络常用来依据向实例学习进行模式分类。不同的神经网格范式( paradigm )使用不 同的学习规则,但都以某种方式,根据一组训练样本确定模式的统计量,然后根据这些统 计量进行新模式分类。 通用方法如反向传播,使用探试法获得基础的类别统计量。探试法通常包含对系统参数的 许多小的改进,逐渐提高系统的性能。除了训练需要长的计算时间外,还表明,反向传播 增加的适应近似法对错误的最小值很敏感。为了改进这种方法,找到了基于己确立的统计 原理的分类方法。 可以表明,尽管最终得到的网络在结构上类似于反向传播 , 且其主要区别在于以统计方法推 导的激活函数替代 S 形激活函数,但这个网络具有的特点是:在某些易满足的条件下,以 PNN实现的判别边界渐进地逼近贝叶斯最佳判定面。 为了了解 PNN范式的基础,通常从贝叶斯判定策略以及概率密度函数的非参数估计的讨论 开始。之后可以表明,这种统计方法如何映射到前馈神经网络结构,网络结构是以许多简 单处理器(神经元)代表的,所有处理器都是并行运行。 2. 模式分类的贝叶斯判定策略 用于模式分类的判定规则或策略的公认标准是:在某种意义上,使“预期风险”最小。这 样的策略称之“贝叶斯策略” ,并适用于包含许多类别的问题。 精彩文档 实用标准文案 T 现在考察两类的情况, 其中, 已知类别状态 为 A 或 B 。如果想要根据 p 维向量 X =[ X1… i p X …X ] 描述的一组测量结果,判定 = A 或 = B ,贝叶斯判定规则变成: d X 如果 h l f X h l f X A A A A B B B d X 如果 h l f X h l f X (1) B A A A B B B 式中, f A X 和 fB X 分别为类别 A 和 B的概率密度函数; l A 为 = A 时判定 d X B 的损失函数; l 为 = 时判定 d X 的损失函数

您可能关注的文档

文档评论(0)

zhaojf9409 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档