论文研究 基于径向基函数网络的Hanman熵网络设计

在文献中已经开发了用于训练径向基函数网络（RBFN）的不同的学习算法。 在本文中，基于信息集理论，从RBFN出发，开发了一种名为Hanman熵网络（HENMAN）的新神经网络，该神经网络用于处理表示为信息源值的属性/属性值中可能不确定性的表示。 HEN和RBFN的参数都使用一种称为JAYA的新学习算法来学习，该算法解决了有约束和无约束的优化问题，并且没有使用特定于算法的参数。 在四个数据集上，HEN的性能均优于RBFN。 HEN的优点是它可以通过多种方式使用信息源值及其成员值，而RBFN仅使用成员函数值。