Design of Reinforced Fuzzy Radial Basis Function Neural Network Classifier Driven With the Aid of Iterative Learning Techniques and Support Vector-Based Clustering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this article, a reinforced fuzzy radial basis function neural network (R-FRBFNN) classifier is proposed. It focuses on the development of methodologies of reinforced architecture to improve classification accuracy and enhance the robust capability based on two learning strategies. The two learning strategies are summarized: 1) R-FRBFNN designed via support vector (SV)-based fuzzy C-means (FCM) clustering and softmax-based iterative reweighted least square (IRLS), which concentrate on improving the classification performance of R-FRBFNN; and 2) R-FRBFNN designed via SV-based FCM and softmax-based iterative quadratic programming (IQP), which focus on improving the robust abilities of the R-FRBFNN and reducing the effects of noise and outliers. The essential points of the proposed R-FRBFNN classifier are summarized as follows. a) The proposed R-FRBFNN consists of three phases: condition, conclusion, and inference. b) An SV-based FCM is considered for prioritizing the classification boundary and improving the classification performance of the proposed classifier. c) Three types of polynomials construct the conclusion phase. Two learning techniques are designed to update the coefficients of the polynomials. Softmax-based IRLS is a type of iterative learning technique based on Newton's method. Softmax-based IQP is more robust and avoids the degradation of generalization capabilities caused by outliers and noisy data. d) In the concept of reinforced architecture, SV-based FCM imposes compensation (membership degrees) on learning techniques according to the data characteristics encountered in the inference phase. Experimental results reported for benchmark data and outliers/noisy datasets demonstrate that the proposed classifier shows improved classification performance compared with other previously studied methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle