项目名称： 神经网络子空间学习算法的收敛性与鲁棒性
项目编号： No.60971109
项目类型： 面上项目
立项/批准年度： 2010
项目学科： 自动化技术、计算机技术
项目作者： 吕建成
作者单位： 四川大学
项目金额： 30万元
中文摘要： 子空间学习是指从高维空间中学习隐含其中的有意义的低维结构。神经网络子空间学习算法由于其并行运算、在线学习的特点，已经被广泛的应用于计算机视觉、图像处理、信号处理等领域。然而，由于神经网络子空间学习算法的收敛条件不清楚、以及对噪声的敏感性，影响了其在实际工程中的应用效果。本课题将研究几类重要的神经网络子空间学习算法的收敛性与鲁棒性问题，如ICA学习算法，局部PCA逼近空间流行的学习算法，局部MCA拟合空间流行的学习算法，以及ISOMAP,LLE等流行学习算法。重点探索神经网络子空间SDT算法与其DDT算法的关系，建立子空间学习算法的DDT收敛性分析框架；采用模糊集理论来改善子空间学习算法的鲁棒性；并用鲁棒的统计分析工具来分析、证明算法的鲁棒性，建立子空间学习算法鲁棒性的理论基础。本课题的研究对实际的工程应用具有重要价值，建立的分析方法也可以推广去分析其他算法，对算法分析具有重要的理论意义。
中文关键词： 神经网络；子空间学习；算法收敛性；算法鲁棒性；DDT框架
英文摘要：
英文关键词： Neural Networks；Subspace Learning；Convergence of Algorithms；Robust of Alorithms；DDT Framework
成为VIP会员查看完整内容
相关内容
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
Arxiv
0+阅读 · 2022年4月20日
Arxiv
17+阅读 · 2021年6月18日
Arxiv
13+阅读 · 2020年12月3日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
17+阅读 · 2021年6月18日
Arxiv
13+阅读 · 2020年12月3日
微信扫码咨询专知VIP会员