關鍵詞：神經網絡 分類器 概率神經網絡 在線學習 核函數估計 

摘要：由Specht提出的概率神經網絡(PNN)由于訓練效率和統計基礎而被廣泛應用于各個領域。但是由于在PNN中使用Parzen窗口估計概率密度函數(PDF),整個訓練數據會存儲在模式層中,這無疑增加了存儲負擔。而且,僅使用一個全局平滑參數的原始PNN不能準確地表示復雜數據集中的局部信息。在對原始PNN進行了研究后,文中提出了一種新在線學習概率神經網絡(OL-PNN)。在線學習概率神經網絡應用隨機梯度上升方法實時更新參數,并采用高斯聚類將訓練數據分類為由混合高斯模型表示的若干簇,其中高斯核函數中的每個維度都有各自的平滑參數和中心參數,從而可以減弱由于數據的不均勻分布引起的失真。此外,為了提高學習和表達能力,補償由聚類算法引起的偏差,神經網絡模型添加了一個額外的線性特征層。實驗結果表明,該模型明顯優于原始PNN,并且與很多流行分類器相當。

計算機技術與發展雜志要求:

{1}參考文獻著錄格式請參照國家標準《文后參考文獻著錄規則》(GB7714-87)。

{2}鼓勵首發，反對抄襲、剽竊等侵犯他人著作權的行為。由此給本刊造成不良后果的，本刊將追究責任。

{3}本刊稿件從發表之日起，如無電子版、網絡版、有聲版等方面特殊說明，即視作投稿者同意授權本刊電子版、網絡版、有聲版等的復制權、匯編權、發行權、翻譯權、信息網絡傳播權及其轉授權等專著權。

{4}中文題名一般不超過20個漢字，一般不使用副題名，中英文題名含義一致。

{5}投稿請填寫真實有效的詳細地址、郵政編碼、聯系電話及E-mail，以便聯系。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社