改进型RBF神经网络的多标签算法研究
针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huffman树来选取初始聚类中心以防k均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.
多标签学习 RBF神经网络 k-均值聚类 AP聚类
李书玲 刘蓉 刘红
华中师范大学物理科学与技术学院 武汉430079
国内会议
宜昌
中文
316-320
2014-10-31（万方平台首次上网日期，不代表论文的发表时间）