A New Heuristic for Radius Estimation in RBF Neural Networks

Abstract

Redes Neurais baseadas em Funções de Base Radial (RBFNN) são métodos clássicos do aprendizado de máquina que contêm uma camada de Funções de Base Radial (RBF) que atuam como extrator de características para a camada final, que executa o reconhecimento de padrões. A estimação do raio das RBFs é uma das atividades mais cruciais do treinamento de modelos RBFNN e afeta diretamente o seu poder de generalização e acurácia. Neste trabalho é apresentado uma nova heurística para estimação do raio e experimentos computacionais são empregados para medir sua eficácia comparada à outras abordagens usando 14 problemas de classificação. A método proposta mostrou uma eficácia competitiva, vencendo os demais métodos em 9 dos 14 problemas.

Preference incorporation in MOEA/D using an outranking approach with imprecise model parameters

“…Ma et al [34] proposed an "a priori" articulation of preferences in MOEA/D using the weight vectors in each sub-problem. De Souza et al [16] suggested modifying the reference points in the scalarizing functions, and Li et al [30] used T-MOEA/D in an interactive framework in which the DM articulates her/his preferences through a target region given by the preferred range of objective functions. Li et al [31] proposed a Non-Uniform Mapping Scheme (NUMS) to map reference points to new positions close to the aspiration-level vector supplied by the DM.…”