萨维塔,R。;苏雷什,S。;新泽西州Sundararajan。 全复值松弛网络的元认知学习算法。 (英语) Zbl 1254.68223号 神经网络。 32, 209-218 (2012). 摘要:本文提出了一种用于单隐层复值神经网络的元认知学习算法,称为“元认知全复值松弛网络(McFCRN)”。McFCRN有两个组件:认知组件和元认知组件。全复值松弛网络(FCRN)在隐层具有全复值类高斯激活函数(sech),在输出层具有指数激活函数,构成认知组件。元认知成分包含一个自我调节学习机制,该机制通过从一系列训练数据中决定学习什么、何时学习和如何学习来控制FCRN的学习能力。认知元件的输入参数是随机选择的,输出参数是通过最小化对数误差函数来估计的。将对数误差函数中幅度和相位误差的显式最小化问题转化为线性方程组,并对FCRN的输出参数进行了解析计算。McFCRN从零个隐藏神经元开始,构建近似目标函数所需的神经元数。元认知组件为FCRN选择最佳学习策略以从训练数据中获取知识,并调整学习策略以实现最佳人类学习组件。对函数逼近和实值分类问题的性能研究表明,所提出的McFCRN的性能优于文献中报道的现有结果。 引用于2文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 92B20型 生物研究、人工生命和相关主题中的神经网络 94甲12 信号理论(表征、重建、滤波等) 关键词:复值神经网络;全复值松弛网络;元认知;自主学习机制;多类别分类 软件:UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{R.Savitha}等人,神经网络。32209--218(2012;Zbl 1254.68223) 全文: 内政部 参考文献: [1] Aize,C.、Song,Q.、Yang,X.、Liu,S.和Guo,C.(2004年)。基于邻近支持向量机的乳腺肿块检测。在程序。2004年国际神经网络会议。第三卷;Aize,C.、Song,Q.、Yang,X.、Liu,S.和Guo,C.(2004)。基于邻近支持向量机的乳腺肿块检测。在程序。2004年国际神经网络会议。第三卷 [2] 艾森伯格,I。;Moraga,C.,基于多值神经元(MLMVN)和反向传播学习算法的多层前馈神经网络,软计算,11,2,169-183(2007) [3] 阿明,M.F。;Murase,K.,用于实值分类问题的单层复值神经网络,神经计算,72,4-6,945-955(2009) [4] 巴布,G.S。;Suresh,S.,序列学习框架中分类问题的元认知神经网络,神经计算,122621-2638(2012) [5] Blake,C.和Merz,C.(1998年)。机器学习数据库的UCI存储库。信息与计算机科学系。加州大学欧文分校[URL:http://archive.ics.uci.edu/ml/;Blake,C.和Merz,C.(1998年)。机器学习数据库的UCI存储库。信息与计算机科学系。加州大学欧文分校[URL:http://archive.ics.uci.edu/ml/ [6] 陈,S。;McLaughlin,S。;Mulgrow,B.,复值径向基函数网络,第一部分:网络结构和学习算法,EURASIP信号处理杂志,35,1,19-31(1994)·Zbl 0825.93995 [7] 邓,J.P。;Sundararajan,N。;Sarathandran,P.,使用复值最小径向基函数神经网络的通信信道均衡,IEEE神经网络汇刊,13,3,687-696(2002) [8] Gamigami,P.,《乳房X射线摄影图谱:乳腺癌的新早期征象》(1996),布莱克威尔科学:布莱克威尔科学剑桥,马萨诸塞州,美国 [9] Haykin,S.,《神经网络:综合基金会》(1998),普伦蒂斯·霍尔:美国新泽西州普伦蒂斯霍尔·Zbl 0828.68103号 [10] Isaacson,R。;Fujita,F.,《元认知知识监控与自主学习:学术成就与学习反思》,《教学学术期刊》,2006年第6期,第1期,第39-55页 [11] 建平,D。;Sundararajan,N。;Sarathandran,P.,非线性信号处理的复杂值最小资源分配网络,国际神经系统杂志,10,2,95-106(2000) [12] Kim,T。;Adali,T.,用于非线性信号处理的全复多层感知器网络,超大规模集成电路信号处理杂志,32,1-2,29-43(2002)·Zbl 1016.68070号 [13] 李,M.B。;黄,G.-B。;萨拉昌德兰,P。;Sundararajan,N.,《完全复杂极限学习机器》,神经计算,68,1-4,306-314(2005) [14] 李,M.B。;黄,G.B。;萨拉昌德兰,P。;Sundararajan,N.,用于通信信道均衡的复杂值增长和修剪RBF神经网络,IEEE Proceedings-Vision,Image and Signal Processing,153,4,411-418(2006) [15] T.O.纳尔逊。;Narens,L.,《元记忆:一个理论框架和新发现》,(Nelson,T.O.,元认知:核心阅读(1980),Allyn and Bacon:Allyn and Bacon Boston),9-24,(第章) [16] Nitta,T.,复杂值神经元的计算能力,(人工神经网络和神经信息处理ICANN/ICONIP。人工神经网络与神经信息处理·Zbl 1037.68696号 [17] Nitta,T.,复值神经网络决策边界的正交性,神经计算,16,1,73-97(2004)·Zbl 1084.68105号 [18] Remmert,R.,《复函数理论》(1991),Springer-Verlag:Springer-Verlag纽约,美国·Zbl 0732.32002号 [19] Rivers,W.P.,《不惜一切代价的自治:经验丰富的语言学习者元认知自我评估和自我管理的民族志》,《现代语言杂志》,85,2,279-290(2001) [20] Savitha,R。;苏雷什,S。;Sundararajan,N.,《全复值径向基函数网络及其学习算法》,《国际神经系统杂志》,19,4,253-267(2009) [21] Savitha,R.、Suresh,S.和Sundararajan,N.(2010年)。全复值径向基函数网络中的自调节学习。在2010年IEEE国际神经网络联合会议,2010年IJCNN;Savitha,R.、Suresh,S.和Sundararajan,N.(2010年)。全复值径向基函数网络中的自调节学习。在IEEE神经网络国际联席会议,2010年,IJCNN 2010 [22] Savitha,R.、Suresh,S.和Sundararajan,N.(2011年)。一种用于实值分类问题的快速学习复合值神经分类器。在国际神经网络联合会议。IJCNN 2011;Savitha,R.、Suresh,S.和Sundararajan,N.(2011年)。一种用于实值分类问题的快速学习复合值神经分类器。在国际神经网络联合会议。IJCNN 2011 [23] Savitha,R.、Suresh,S.和Sundararajan,N.(2011年)。全复值径向基函数网络中的元认知学习。神经计算doi:10.1116/NECO_a_00254;Savitha,R.、Suresh,S.和Sundararajan,N.(2011年)。全复值径向基函数网络中的元认知学习。神经计算doi:10.1162/NECO_a_00254·Zbl 1254.68223号 [24] Savitha,R。;苏雷什,S。;Sundararajan,N.,《用于实值分类问题的快速学习循环复合值极端学习机(CC-ELM)》,信息科学,187,1277-290(2012) [25] Savitha,R。;苏雷什,S。;Sundararajan,N。;Kim,H.J.,用于实值分类的全复值径向基函数分类器,神经计算,78,1104-110(2011) [26] Savitha,R。;苏雷什,S。;Sundararajan,N。;Kim,H.J.,(Liu,D.;etal.,《针对实值分类问题的快速学习全复值分类器》,计算机科学(LNCS)讲义,第6675卷(2011),602-609,ISNN 2011(第一部分) [27] Savitha,R。;苏雷什,S。;Sundararajan,N。;Sarathandran,P.,一种新的具有对数性能指数的复杂值神经网络学习算法,神经计算,72,16-18,3771-3781(2009) [28] Subashini,T.S。;拉马林加姆,V。;Palanivel,S.,数字乳房X光照片中乳腺组织密度的自动评估,计算机视觉和图像理解,114,1,33-43(2010) [29] Suckling,J.,乳房X光图像分析协会数字乳房X光照片数据库,摘录国际医学大会系列,1069,375-378(1994) [30] 苏雷什,S。;Dong,K。;Kim,H.J.,自适应资源分配网络分类器的顺序学习算法,神经计算,73,16-18,3012-3019(2010) [31] Suresh,S.、Savitha,R.和Sundararajan,N.(2011年)。一种快速学习的全复值松弛网络(FCRN)。在2011年IEEE国际神经网络联合会议。IJCNN 2011;Suresh,S.、Savitha,R.和Sundararajan,N.(2011年)。一种快速学习的全复值松弛网络(FCRN)。在2011年IEEE国际神经网络联合会议。IJCNN 2011 [32] 苏雷什,S。;Savitha,R。;Sundararajan,N.,复杂值自调节资源分配网络的顺序学习算法-CSRAN,IEEE神经网络汇刊,22,7,1061-1072(2011) [33] Suresh,S.和Subramanian,K.(2011年)。用于分类问题的元认知神经模糊推理系统的顺序学习算法。在2011年IEEE国际神经网络联合会议,2011年IJCNN;Suresh,S.和Subramanian,K.(2011年)。用于分类问题的元认知神经模糊推理系统的序列学习算法。在2011年IEEE国际神经网络联合会议,2011年IJCNN [34] 苏雷什,S。;Sundararajan,N。;Sarathandran,P.,稀疏多类别分类问题的风险敏感损失函数,信息科学,178,12,2621-2638(2008)·Zbl 1183.68505号 [35] Wenden,A.L.,元认知知识与语言学习,应用语言学,19,4,515-537(1998) [36] Wirtinger,W.,《数学年鉴》,97,357-375(1927)·合同格式52.0342.03 [37] 俞,S.-S。;蔡伟华,霍普菲尔德神经网络松弛,模式识别,25,2,197-209(1992) [38] Zhang,T.,基于凸风险最小化的分类方法的统计行为和一致性,《统计年鉴》,32,1,56-85(2003)·Zbl 1105.62323号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。