首页> 中文学位 >对不确定数据建模的改进贝叶斯随机向量泛函链接网络
【6h】

对不确定数据建模的改进贝叶斯随机向量泛函链接网络

代理获取

目录

摘要

第1章引言

1.1研究背景与研究意义

1.1.1研究背景

1.1.2研究意义

1.2文献综述

1.3本文的创新点

1.4 基本框架

第2章预备知识

2.1 神经网络

2.2随机向量泛函链接网络

2.3贝叶斯分析方法

2.4贝叶斯随机向量泛函链接网络

2.5 变分推断

第3章改进贝叶斯随机向量泛函链接网络的理论和算法

3.1 改进贝叶斯随机向量泛函链接网络的理论

3.2算法实验

3.2.1 数据介绍

3.2.2 模型参数介绍与性能评价方法

3.2.3 实验结果

3.3小结

第4章总结与展望

参考文献

致谢

声明

展开▼

摘要

本文提出了一个针对不确定数据建模,结合随机向量泛函链接网络的完全贝叶斯模型,即IB-RVFL。和已有的工作相比,在基函数的参数上也定义了先验分布。通过在训练过程中引入额外的先验知识,不仅模型的学习能力得到提高,而且针对基本的RVFL模型中对随机参数确定问题的困难性和重要性,提供了一个有效的解决方案。变分推断方法被用来快速地得到一个复杂后验分布的近似,这有助于完成超参数的自动推断,并且得到预测结果的概率估计。 主要从两方面进行了实验,一是通过在训练集中添加不同程度的噪音,观察算法的鲁棒性。实验结果表明,和其它两种鲁棒性算法相比,改进贝叶斯随机向量泛函链接网络(IB-RVFL)对噪音更不敏感,在全部实验中预测的准确性都优于其他两种算法。二是通过在八个不同回归数据集上进行实验,并和其它五种算法对比,观察算法的性能。实验结果表明,IB-RVFL算法在全部数据集上都表现较好。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号