针对小样本数据集的鲁棒单隐层前馈网络建模方法

单隐层前馈神经网络是应用最广泛的智能建模模型之一,但该模型面对小样本集时传统的学习算法易陷入过拟合,尤其当数据集包含较大噪音时学习模型鲁棒性较差,对噪音很敏感.针对此不足,提出一种针对小样本数据集的鲁棒单隐层前馈神经网络学习算法.所提出的算法由于引入了-不敏感学习度量和结构风险项,能有效克服传统学习算法存在的缺陷,显示出较好的鲁棒性.在模拟和真实数据集上的实验亦证实了上述优点.