论文部分内容阅读
提高神经网络推广性的关键是控制模型的复杂度.本文给出了一种基于贝叶斯推理的神经网络分类方法,通过融入模型参数分布的先验知识,与观察到的学习样本相综合来控制神经网络模型中不同部分权参数的复杂度.使用马尔可夫链蒙特卡罗模拟法获得模型权参数的后验分布,预测分类是基于多个分类模型输出的平均.文中给出了在2个实际分类问题上的应用结果并与一些常规方法进行了对比.