首页|宽度学习系统研究进展

宽度学习系统研究进展

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
当数据规模庞大时,深度学习模型会遇到权重调整耗时,容易陷入局部最优解的问题.为了解决这些问题,宽度学习系统应运而生,宽度学习系统不仅结构简单、训练速度快、准确率高,而且还具有增量学习的优势.介绍了宽度学习系统的产生背景和发展历程,阐述了宽度学习系统的基础理论与实现方法,对比了它与深度网络的异同;介绍了宽度学习系统在图像分类、数值回归、脑电信号处理等应用中的改进算法,分析了这些算法的优势和不足.最后总结了现有宽度学习算法存在的缺陷,并对未来研究方向进行了展望.
Research of broad learning system

任长娥、袁超、孙彦丽、刘竹琳、陈俊龙

展开 >

首都师范大学 信息工程学院,北京 100048

华南理工大学 计算机科学与工程学院,广州510006

宽度学习系统 神经网络 深度学习 图像分类 增量学习

6180327661751202U1813203KM2019100280044202011079/2017/A2024/2015/AMJ0119/2018/A3

2021

10.19734/j.issn.1001-3695.2020.11.0348

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2021.38(8)
  • 11
  • 10