基于结构化风险最小化原理的遗传算法优化神经网络
该文提出一种基于结构化风险最小化原理(SRM)优化神经网络的方法。该方法将结构化风险原理和神经网络相结合，通过遗传算法优化感知器分类算法中的连接权，避免了传统的感知器分类的偏向性，连接权的局部收敛性，误识率高等弱点，借助于遗传算法全局寻优的特点，使改进后的算法，具有自进化、自适应能力，以及很好的数据推广性能和抗干扰性，提高了神经网络的整体性能，与标准的SVM算法相比：具有更广阔的应用范围和更强的数据处理能力。
结构化风险 经验风险 VC理论 神经网络 遗传算法
范劲松 陶卿 方廷健
中国科学技术大学电子工程与信息科学系(合肥) 中国科学技术大学自动化系(合肥) 中国科学院合肥智能机械研究所(合肥)
国内会议
合肥
中文
948～952
2000-06-01（万方平台首次上网日期，不代表论文的发表时间）