Investigation of Fourier features in neural networks and an application to steering in mesh networks

Rastgele Fourier öznitelikleri, sınıflandırma doğrusal olmadığında büyük ölçekli veri kümelerini sınıflandırmanın en belirgin yollarından birini sağlar. Bununla birlikte, orjinal önerisinde Fourier öznitelikleri, belirli bir dağıtımdan rastgele çekilir ve optimize edilmez. Bu tezde, Fourier özniteliklerinin tek gizli katmanlı ileri beslemeli sinir ağı (SLFN) ile kullanımını araştırıyor ve bu öznitelikleri (rastgele seçim yerine) çeşitli gradyan-inişi tabanlı yaklaşımlarla optimize ediyoruz. Optimize edilmiş Fourier öznitelikleri, radyal bazlı fonksiyondan (RBF çekirdeği) çıkarılır ve çıkış katmanının takip ettiği SLFN'nin gizli katmanında uygulanır. Ortaya çıkan sınıflandırma doğruluğu, RBF çekirdeği ile SVM'nin sonuçlarıyla karşılaştırılır. Özellikle, (1) gizli katman boyutu ve RBF çekirdek bant genişliği gibi parametreleri ayarlıyoruz ve (2) on farklı sınıflandırma veri seti ile test ediyoruz. Sunulan SLFN, SVM'ye kıyasla benzer doğruluk rakamlarına sahip önemli hesaplama kazançları sağlar. Ayrıca kablosuz ağ ağlarında bağlantı yönlendirme için SLFN'mizi test ediyor ve gelecek vaat eden akıllı bağlantı yönlendirme kabiliyetlerini gözlemliyoruz.