成果信息
多任務(wù)稀疏貝葉斯極限學(xué)習(xí)機(jī)回歸方法,所述方法包括對于單隱含層神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層的隨機(jī)特征提取,、輸出層權(quán)值的多任務(wù)稀疏建模及后驗估計,、多任務(wù)稀疏貝葉斯極限學(xué)習(xí)機(jī)參數(shù)和超參數(shù)快速優(yōu)化估計等,。本發(fā)明所述方法采用層次貝葉斯模型對極限學(xué)習(xí)機(jī)輸出層權(quán)值進(jìn)行多任務(wù)稀疏求解,在保證精度的前提下,,裁剪了極限學(xué)習(xí)機(jī)的冗余隱含層神經(jīng)元,,得到了更為緊湊的神經(jīng)網(wǎng)絡(luò),有效的避免了極限學(xué)習(xí)機(jī)的過擬合現(xiàn)象,,并能使隱含層神經(jīng)元個數(shù)無須預(yù)先確定,。從稀疏貝葉斯學(xué)習(xí)的角度,前端的單隱含層神經(jīng)網(wǎng)絡(luò)可以使稀疏貝葉斯學(xué)習(xí)方法得以應(yīng)用于非線性問題,。)
背景介紹
/)
應(yīng)用前景
/)