Bayesian information criteria and smoothing parameter selection in radial basis function networks
径向基函数网络的贝叶斯信息准则与平滑参数选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及通用非线性网络建模与调参，未指定经济预测、收益预测或其他所列应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
径向基函数网络的贝叶斯信息准则与平滑参数选择
- 研究问题
- 如何用贝叶斯信息准则评价惩罚似然或正则化估计的模型，并选择径向基函数网络的平滑参数与基函数数量？
- 方法与思路
- 作者扩展 Schwarz 的基本思想构造信息准则，先用正则化估计网络权重，再通过该准则选择调节参数。
- 材料陈述的贡献
- 摘要称，提出适用于惩罚似然或正则化模型的信息准则，并以 Monte Carlo 实验说明所述非线性建模程序的表现。
- 阅读关注点
- 应核对信息准则的推导条件、复杂度惩罚如何处理正则化、平滑度与基函数数目的选择方式，以及模拟比较基准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“表现良好”未给出具体指标或数值，不能推出普遍优势或推断刊本变化。
原文摘要
By extending Schwarz's (1978) basic idea we derive a Bayesian information criterion which enables us to evaluate models estimated by the maximum penalised likelihood method or the method of regularisation. The proposed criterion is applied to the choice of smoothing parameters and the number of basis functions in radial basis function network models. Monte Carlo experiments were conducted to examine the performance of the nonlinear modelling strategy of estimating the weight parameters by regularisation and then determining the adjusted parameters by the Bayesian information criterion. The simulation results show that our modelling procedure performs well in various situations.