基于信息粒度和连通强度的优化学习
【出 处】:《
计算机工程与科学
》
CSCD
2010年第32卷第5期 45-47页,共3页
【作 者】:
王秀珍
[1,2] ;
钟宁
[1,3] ;
刘椿年
[4] ;
顾伟泉
[2]
【摘 要】
针对具有分布式网络和复杂的拓扑结构的认知学习问题,本文提出一种动态的基于信息粒度和连通强度的自组织的认知优化学习系统。每个网络节点的信息粒在高聚合度的情况下,具有信息表示的完整性,知识系统中节点的自组聚合和节点间的强连通性是优化学习绩效的核心模型。利用信息粒的聚合度和信息粒间的连通性的概念,信息粒度的演进流程模拟认知学习过程的静态归约,连接强度演进流程对应于认知学习的动态模拟,这两个流程在学习系统中时每个输入样本完成一个完整的模拟认知与归约表达。以分布式拓扑结构为理论模型,给出了每个节点信息粒度以及节点之间的信息处理与传递的认知优化规范。
相关热词搜索:
上一篇:基于扩展卡尔曼粒子滤波算法的神经网络训练
下一篇:非线性支持向量机若干关键问题研究