基于Lasso稀疏学习的径向基函数神经网络模型

来源：计算机工程杂志2019年第2期北京时间：

作者：崔晨,邓赵红,王士同

单位：江南大学 数字媒体学院,江苏 无锡 214122

摘要：传统径向基函数(RBF)神经网络模型使用完整的隐含层节点进行模型构建时,会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降,导致模型更加复杂。为此,提出一种改进的RBF神经网络模型。通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示,去除冗余和不相关隐含层节点的同时保留重要的隐含层节点,并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能。实验结果表明,与现有RBF神经网络模型相比,该模型具有更低的计算复杂度和更高的分类精度。

关键词：数据挖掘, Lasso稀疏学习, 径向基函数, 神经网络, 收缩参数

基金资助：国家自然科学基金(61772239,61403247);国家重点研发计划(2016YFB0800803);江苏省杰出青年基金(BK20140001)。