日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

深層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)已經(jīng)在許多領(lǐng)域得到應(yīng)用，并在大規(guī)模數(shù)據(jù)處理上取得了突破性的成功。雖然深度結(jié)構(gòu)網(wǎng)絡(luò)非常強(qiáng)大，但大多數(shù)網(wǎng)絡(luò)都被極度耗時的訓(xùn)練過程所困擾。其中最主要的原因是，上述深度網(wǎng)絡(luò)都結(jié)構(gòu)復(fù)雜并且涉及到大量的超參數(shù)。另外，這種復(fù)雜性使得在理論上分析深層結(jié)構(gòu)變得極其困難。另一方面，為了在應(yīng)用中獲得更高的精度，深度模型不得不持續(xù)地增加網(wǎng)絡(luò)層數(shù)或者調(diào)整參數(shù)個數(shù)。因此近年來，一系列以提高訓(xùn)練速度為目的的深度網(wǎng)絡(luò)以及相應(yīng)的結(jié)合方法逐漸引起人們關(guān)注。

陳俊龍教授在近年來致力于解決這一問題。結(jié)合他在早期所做的單隱層網(wǎng)絡(luò)的相關(guān)研究，陳俊龍教授提出了一個名為“寬度學(xué)習(xí)系統(tǒng)”（Broad Learning System，BLS）的網(wǎng)絡(luò)結(jié)構(gòu)，并從去年開始在多個場合提及這一概念。

關(guān)于該理論的相關(guān)研究，原文正式發(fā)表在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018 （點(diǎn)擊查看澳門大學(xué)陳俊龍 | 寬度學(xué)習(xí)系統(tǒng)：一種不需要深度結(jié)構(gòu)的高效增量學(xué)習(xí)系統(tǒng)）

寬度學(xué)習(xí)系統(tǒng)（BLS）是基于將映射特征作為RVFLNN輸入的思想設(shè)計的。此外，BLS可以在新加入的數(shù)據(jù)以有效和高效的方式更新系統(tǒng)（輸入的增量學(xué)習(xí)）。BLS的設(shè)計思路為：首先，利用輸入數(shù)據(jù)映射的特征作為網(wǎng)絡(luò)的“特征節(jié)點(diǎn)”。其次，映射的特征被增強(qiáng)為隨機(jī)生成權(quán)重的“增強(qiáng)節(jié)點(diǎn)”。最后，所有映射的特征和增強(qiáng)節(jié)點(diǎn)直接連接到輸出端，對應(yīng)的輸出系數(shù)可以通過快遞的Pseudo偽逆得出。為了在寬度上擴(kuò)展特征節(jié)點(diǎn)和增強(qiáng)節(jié)點(diǎn)，論文中額外設(shè)計了對應(yīng)的寬度學(xué)習(xí)算法。同時，如果網(wǎng)絡(luò)結(jié)構(gòu)需要擴(kuò)展，論文同時提出了無需完整網(wǎng)絡(luò)再訓(xùn)練的快速增量學(xué)習(xí)算法。 

陳俊龍教授認(rèn)為，BLS逼近性優(yōu)、算法快的特性能夠使其很快成為主流訓(xùn)練方法。在智能控制方面，類似BLS單隱層的神經(jīng)網(wǎng)絡(luò)已非常的流行。這一點(diǎn)在大數(shù)據(jù)時代下顯得較為實(shí)用：當(dāng)系統(tǒng)收集到新輸入數(shù)據(jù)時，在短時間內(nèi)可以直接對節(jié)點(diǎn)進(jìn)行更新，保證了系統(tǒng)的完整性。

同時，BLS的主要應(yīng)用場景集中在智能控制的環(huán)境中進(jìn)行實(shí)時更新學(xué)習(xí)，譬如在智能家居的環(huán)境中更新語音識別、人物識別、物體識別的相關(guān)系統(tǒng)，那么BLS也能在其中發(fā)揮它的重要優(yōu)勢，甚至成為主流。

目前，陳俊龍教授將工作重點(diǎn)放在BLS的算法優(yōu)化和穩(wěn)定研究上，除此之外，尋找應(yīng)用的行業(yè)與場景也成為了陳俊龍教授接下來一段時間的工作要點(diǎn)。

Universal Approximation Capability of Broad Learning System and Its Structural Variations

（https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8457525）

該論文主要討論了不同種類的BLS變形。

Fuzzy Broad Learning System: A Novel Neuro-Fuzzy Model for Regression and Classification

（https://ieeexplore.ieee.org/abstract/document/8432091/）

該論文討論了將模糊神經(jīng)用在 左邊的feature nodes，構(gòu)成了以BLS的Neuro-Fuzzy網(wǎng)絡(luò)。

Structured Manifold Broad Learning System: A Manifold Perspective for Large-Scale Chaotic Time Series Analysis and Prediction

（https://ieeexplore.ieee.org/abstract/document/8440718/）

該論文討論了Manifold算法及在Large-Scale Chaotic Time Series Analysis and Prediction中的重要結(jié)果。