论文部分内容阅读
使用BP算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法,先构造决策树,然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长。它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果表明,本文的算法比用BP算法训练多层网络要快,而其分类精度不低于用BP算法训练的多层神经网。