48、监督式本体生成网络与自适应逻辑网络解析

监督式本体生成网络与自适应逻辑网络解析

1. 监督式本体生成网络方法

监督式本体生成网络包含多种基于不同模型的方法，下面将详细介绍几种常见的方法。

1.1 基于Hopfield模型的生长方法

基于Hopfield模型的生长方法在神经网络拓扑结构的构建中具有独特的优势。它不依赖于用户预先选择初始拓扑，能够在训练过程中自动调整网络结构。以下是该方法的相关信息：
| 参考 | 模型 | 描述符 | L | f \ Loc | IC | Prf |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| Lansner and Ekeberg (1987) | Hopfield-like - | - | 2N | - | X | 20R - |

1.2 基于径向基函数的本体生成方法

径向基函数（RBF）在本体生成方法中也有广泛应用。这种方法通过调整径向基函数的参数来适应不同的问题。以下是相关方法的具体信息：
| 参考 | 模型 | 描述符 | L f \ Loc | IC | Prf |
| ---- | ---- | ---- | ---- | ---- | ---- |
| Kadirkamanathan and Niranjan (1992a) | RBFa - | - | 3N | - | - | 2FR - |
| Kadirkamanathan and Niranjan (1992b) | RBF | latticed networks | 2X - - | 20R - |

1.3 其他本体生成方法