正则化理论(二)

本文深入探讨了正则化网络和广义径向基函数网络的数学原理,包括Green函数定义的激活函数,以及如何通过加权范数优化网络性能。介绍了径向基函数的构造方法,并详细解析了代价函数的计算过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、正则化网络
每个隐藏单元的激活函数由Green函数定义
(式1)G(x,xi)=exp(−12σi2∣∣x−xi∣∣2)G(x,x_i) = exp(- \frac{1}{2\sigma _i ^2}||x-x_i||^2) \tag {式1}G(x,xi)=exp(2σi21xxi2)(1)
正则化网络2、广义径向基函数网络
F∗(x)=∑i=1m1wiφ(x,ti)F^*(x) = \sum _{i=1}^{m_1} w_i \varphi(x,t_i)F(x)=i=1m1wiφ(x,ti)
φ(x,ti)=G(∣∣x−ti∣∣)\varphi(x,t_i) = G(||x-t_i||)φ(x,ti)=G(xti)

在这里插入图片描述
F∗(x)=∑i=1m1wiφ(x,ti)=∑i=1m1wiG(x,ti)=∑i=1m1wiG(∣∣x−ti∣∣)F^*(x) = \sum _{i=1}^{m_1} w_i \varphi(x,t_i) = \sum _{i=1}^{m_1} w_i G(x,t_i)= \sum _{i=1}^{m_1} w_i G(||x-t_i||)F(x)=i=1m1wiφ(x,ti)=i=1m1wiG(x,ti)=i=1m1wiG(xti)
新的代价函数:
在这里插入图片描述其中:
在这里插入图片描述
∣∣DF∗∣∣2=&lt;DF∗,DF∗&gt;H=[∑i=1m1wiG(x,ti),D~D∑i=1miwiG(X,ti)]H||DF^*||^2 = &lt;DF^*,DF^*&gt;_H = [\sum _{i=1} ^ {m_1} w_iG(x,t_i),\tilde{D}D\sum _{i=1}^{m_i}w_i G(X,t_i)]_HDF2=<DFDF>H=[i=1m1wiG(x,ti),D~Di=1miwiG(X,ti)]H
=[∑i=1m1wiG(X,ti),∑i=1m1w)δti]H=∑j=1m1∑i=1m1wjwiG(tj,ti)=WTG0W=[\sum _{i=1} ^{m_1} w_iG(X,t_i),\sum _{i=1}^{m_1} w )\delta_{t_i} ]_H = \sum_{j=1}^{m_1} \sum_{i=1}^{m_1}w_j w_iG(t_j,t_i)=W^TG_0W=[i=1m1wiG(X,ti),i=1m1w)δti]H=j=1m1i=1m1wjwiG(tj,ti)=WTG0W
3、加权范数
∣∣X∣∣C2=(CX)T(CX)=XTCTCX||X|| _C ^2 = (CX)^T(CX) = X^TC^TCXXC2=(CX)T(CX)=XTCTCX
F∗(x)=∑i=1m1wiG(∣∣x−ti∣∣c)F^*(x) = \sum _{i=1}^{m_1} w_i G(||x-t_i||_c) F(x)=i=1m1wiG(xtic)

一个以tit_iti为中心和具有范数加权矩阵C的高斯径向基函数G(∣∣X−ti∣∣c)G(||X-t_i||_c)G(Xtic)可写成
G(∣∣X−ti∣∣c=exp(−(X−ti)TCTC(X−ti)]=exp[−12(X−ti)TΣ−1(X−ti)]))G(||X-t_i||_c = exp(-(X-t_i)^TC^TC(X-t_i)] = exp[-\frac{1}{2}(X-t_i)^T \Sigma ^{-1} (X-t_i) ]))G(Xtic=exp((Xti)TCTC(Xti)]=exp[21(Xti)TΣ1(Xti)]))
12Σ−1=CTC\frac{1}{2} \Sigma ^{-1} = C^TC21Σ1=CTC

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值