改进可拓神经网络性能：基于阴影集的数据选择方法

"基于阴影集数据选择的可拓神经网络性能改进" 是一篇2013年的学术论文，发表在《北京工业大学学报》上，作者包括周玉、钱旭和王自强。该研究旨在优化可拓神经网络的性能，提出了一种利用阴影集数据选择方法来选取训练样本的新策略。这种方法能够自动获取核数据和边界数据，以提升可拓神经网络的训练效率和分类准确性。 正文: 可拓神经网络（Extension Neural Network, ENN）是一种结合了可拓学理论与神经网络的智能计算模型，常用于解决模糊或不完全信息的问题。然而，传统可拓神经网络在处理大量数据时，可能会面临训练时间长、泛化能力不足以及分类识别准确度低等问题。为了解决这些问题，该论文提出了基于阴影集的数据选择方法。 阴影集是一种在粗糙集理论中的概念，它用于描述数据集中无法明确区分的类别边界，尤其适用于处理离散或不精确的数据。在本文的研究中，阴影集被用来识别和选取对网络训练有关键影响的核数据和边界数据。核数据是代表类别的典型样本，而边界数据则包含在不同类别边界附近的样本，这些样本对于网络学习类别边界至关重要。 通过运用阴影集数据选择方法，研究者能有效地从原始数据集中筛选出对网络训练最有价值的部分，减少不必要的计算量，从而缩短训练时间。同时，由于选择了更具有代表性和区分性的样本，网络的泛化能力得以增强，即在未见过的新数据上的表现更优。实验结果证明，采用改进后的可拓神经网络在训练时间和分类准确率上均优于传统的可拓神经网络。 关键词涵盖了可拓神经网络、数据选择、阴影集、训练样本和泛化能力，这些都直指论文的核心研究内容。可拓神经网络的优化是一个重要的研究领域，尤其是在大数据和机器学习背景下，如何高效地处理和利用数据对于提升模型性能至关重要。阴影集数据选择方法提供了一个新的视角，它不仅适用于可拓神经网络，也可能对其他类型的神经网络和机器学习模型有所启发。 这篇论文的贡献在于提出了一种创新的数据选择策略，该策略有效地提高了可拓神经网络的训练效率和分类性能，为可拓神经网络以及其他相关领域的研究提供了有价值的参考。通过结合阴影集理论与数据选择，研究者们能够在保证模型性能的同时，减少计算资源的消耗，这对于实际应用中的模型部署具有重要意义。