.png){kind=icon}
返回
A Greedy Interpretable Geometric Constructive Method for Industrial Data Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/tnnls.2026.3720810.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可解释几何构造神经网络（IGCNet）在开发快速学习模型方面显示出巨大潜力，特别适用于数据分析任务。然而，其几何控制策略难以适应网络残差的动态变换，导致泛化能力受限。为解决此问题，本文提出IGCNet的贪婪变体IGCNet-G，以增强泛化能力。首先，通过分析网络残差在函数类中的收敛行为，构造自适应松弛参数，从而消除被动超参数调优带来的过度计算成本。其次，将松弛参数与贪婪理论融入IGCNet的几何控制策略，形成松弛贪婪控制策略。该策略可根据残差的收敛状态自适应松弛候选节点参数的约束，从而加速残差收敛。最后，通过理论分析验证了IGCNet-G的通用逼近性质。在非线性函数示例和真实煤炭浮选数据集上的实验评估表明，IGCNet-G实现了高水平的预测性能。
Keyword:
Data-driven model
geometric constructive neural network
greedy theory
soft sensor
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
暂无论文信息