基于信息集的RBFN改进：Hanman熵网络设计与JAYA优化

本文主要探讨了"基于径向基函数网络的Hanman熵网络设计"，这是一项在信息集理论指导下进行的创新性研究，发表在《现代物理学》(Journal of Modern Physics) 2019年第10期，卷1505-1521页。论文的作者M. Hanmandlu、Rao Shivansh和Shantaram Vasikarla分别来自印度纳德古尔的MVS工程学院计算机科学系、美国宾夕法尼亚州立大学和加利福尼亚州立大学北岭分校。 在现有的文献中，针对径向基函数网络（RBFN）的训练已有多种学习算法被开发出来。然而，该研究者们并未停留在现有技术的局限上，而是提出了一个新的神经网络模型——Hanman熵网络（HEN），其设计初衷是处理属性/属性值中可能存在的不确定性，这些不确定性以信息源的形式呈现。信息集理论为这种不确定性提供了理论基础，使得HEN能够有效地利用这些信息源值及其成员值，相比之下，RBFN主要依赖于成员函数值。 在设计过程中，作者引入了一种新颖的学习算法——JAYA，它是一种能解决有约束和无约束优化问题的通用方法，无需依赖特定算法的参数。JAYA的学习能力使得HEN和RBFN的参数都能够得到优化，从而提升网络性能。通过对四个不同的数据集进行实验，结果表明，HEN的表现显著优于传统的RBFN，这表明其在处理不确定性问题时具有更高的有效性和实用性。 因此，这项研究不仅扩展了RBFN的应用范围，还提出了一种新的方法论，即通过信息集理论和优化算法的结合，来增强神经网络对不确定信息的处理能力。这对于信息技术领域，特别是在数据挖掘、机器学习和人工智能的决策支持系统中，具有重要的实际意义和理论价值。