基于极速学习的粗糙RBF神经网络

马刚; 丁世飞; 史忠植

Chinese

您当前的位置：

首页 >

文章列表页 >

基于极速学习的粗糙RBF神经网络

更新时间：2026-09-04

- 基于极速学习的粗糙RBF神经网络
- Rough RBF Neural Network Based on Extreme Learning
- 微电子学与计算机 2012年29卷第8期页码：9-14
- 作者机构：
  
  1. 中国矿业大学计算机科学与技术学院,江苏,徐州,221116
  2. 中国科学院机构计算技术研究所,北京,100080
- 作者简介：
- 基金信息：
  
  中国科学院智能信息处理重点实验室开放基金(IIP2010-1)国家自然科学基金(41074003,60975039)
- DOI：
  中图分类号：
- 纸质出版：2012
- 稿件说明：
移动端阅览
马刚, 丁世飞, 史忠植. 基于极速学习的粗糙RBF神经网络[J]. 微电子学与计算机, 2012, 29(8): 9-14.

MA Gang, DING Shi-fei, SHI Zhong-zhi. Rough RBF Neural Network Based on Extreme Learning[J]. 2012, 29(8): 9-14.
马刚, 丁世飞, 史忠植. 基于极速学习的粗糙RBF神经网络[J]. 微电子学与计算机, 2012, 29(8): 9-14. DOI：

MA Gang, DING Shi-fei, SHI Zhong-zhi. Rough RBF Neural Network Based on Extreme Learning[J]. 2012, 29(8): 9-14. DOI：

摘要

提出了一种用于训练粗糙RBF神经网络(rough RBF neural networks

R-RBF)的极速学习机(extreme learning machine

ELM)方法

通过引入矩阵的Moore-Penrose逆

将传统的迭代学习方法转换为一种求线性方程的极小范数最小二乘解的方法.实验证明

在训练精度、训练时间上都能够达到非常优越的性能

其泛化精度能够提升50%以上.

Abstract

The paper proposes a method of training rough RBF neural networks (R-RBF) using the extreme learning machine (ELM)

which converts the traditional iterative training method to solve norm least-squares solution of general linear system by introducing Moore-Penrose inverse.Experiments show that it can reach a very superior performance in both time and accuracy when ELM trains the Rough RBF Neural Networks

which can improve the generalization accuracy more than 50% compared with the traditional thinking of adjusting parameters iteratively.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

大模型发展综述：从BERT到Deepseek的技术演进

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

一种基于特征上下文理解与切片分析的肺结核检测算法

面向处理器分支预测单元的Spectre攻击轻量化防御方法