神经网络敏感性的比较分析及一种新的基于敏感性的样例选择算法

论文摘要

在过去的几十年中,研究者们已经提出了很多种不同的敏感性定义,并把它们应用到特征选择、样例选择等各种不同的领域。本文对这些定义进行了分类,分析了每一类定义的特点及应用情况。Wing W.Y.Ng的局部泛化误差模型从理论上说明了网络敏感性与网络的泛化能力有一定的关系。在此基础上,为了得到一个泛化能力较高的网络,本文把敏感性应用于样例选择中,提出了一种新的基于敏感性的样例选择算法（SM-SS）,并与随机选择样例的方法进行了比较。实验结果表明SM-SS方法有很好的效果,它可以选择出数量较少的部分样例,而训练出一个泛化能力比较高的网络。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的来源和意义
• 1.2 国内外研究现状及分析
• 1.3 论文框架
• 第2章 人工神经网络及径向基神经网络
• 2.1 神经网络的发展
• 2.2 神经网络的结构
• 2.3 RBF神经网络的结构
• 2.4 RBF神经网络的学习策略
• 第3章 神经网络的敏感性
• 3.1 神经网络敏感性定义的分类
• 3.2 神经网络敏感性定义的比较分析
• 第4章 一种新的基于敏感性的样例选择算法
• 4.1 主动学习
• 4.2 一种新的基于敏感性的样例选择算法
• 4.3 计算机模拟实验
• 第5章 结论与展望
• 参考文献
• 攻读硕士学位期间科研工作情况
• 致谢