Makalah ini bertujuan untuk mengembangkan classifier jaringan saraf tiruan berbasis fusi struktur kernel untuk meningkatkan kinerja jaringan BP dan RBF tunggal. Solusi yang diusulkan tidak bergantung pada kerangka kerja jaringan RBF dan BP tunggal. Jaringan yang menyatu dapat secara efektif mengekstrak karakteristik lokal dari distribusi spasial sampel dan pembelajaran dan klasifikasi non-linier dalam ruang kernel Gaussian dengan membangun mekanisme koneksi yang efektif antara kernel Gaussian dengan parameter berbeda dan kernel sigmoid di lapisan tersembunyi yang berbeda. Kelebihan jaringan RBF dan BP digabungkan dalam bentuk jaringan yang menyatu. Dalam jaringan RBF dan BP tunggal, ini secara efektif menurunkan ketergantungan pada pemilihan parameter node tersembunyi. Eksperimen pada dua set data simulasi dan tiga set data benchmark menunjukkan bahwa topologi jaringan yang diusulkan lebih disukai.
Copyrights © 2019