基于反向随机投影的神经网络改进算法

摘要

提出基于反向随机局部投影的神经网络效率改进算法,通过降低深度学习中的网络规模,重点解决了从“局部连接”到“全连接”和随机节点抽取时输入端节点信息丢失的问题,从而提升网络的效率。在算法中设置缩减参数,提升了算法的可伸展性,以适用于不同数据集的学习。通过数据集ISOLET进行实验,结果表明,基于反向随机局部投影的神经网络效率改进算法的准确率、效率分别平均提升了3.48%和105.21%;在迭代20次的实验中进行了缩减参数调节实验,当参数设置为1.4时其准确率则优于传统全连接网络2.61%,效率提升了272.78%,具有明显的优势。