1、隨著Internet的普及,網(wǎng)絡已經(jīng)成為人們獲取信息的主要途徑,為了幫助人們從海量網(wǎng)頁中獲取有用的信息,網(wǎng)頁自動分類技術應運而生,其可以快速有效地分析和組織海量網(wǎng)頁信息,它是利用機器學習的方法對網(wǎng)頁實現(xiàn)自動類別標注。在眾多網(wǎng)頁分類算法中,RBF神經(jīng)網(wǎng)絡因其出色的分類能力,成為機器學習的研究熱點。
　　 介紹了網(wǎng)頁分類的流程,分析了RBF神經(jīng)網(wǎng)絡技術發(fā)展、原理和相關技術,討論了RBF神經(jīng)網(wǎng)絡在網(wǎng)頁分類中的重要作用。闡述了目前RBF

2、神經(jīng)網(wǎng)絡常用訓練算法,研究了在多實例多標簽框架下發(fā)展而來的MIMLRBF神經(jīng)網(wǎng)絡模型。針對MIMLRBF在不平衡樣本下分類效果差的問題,提出了改進的訓練算法,考慮了樣本的整體分布情況,使各類上產(chǎn)生的隱含層神經(jīng)元趨于平衡,減少了不平衡樣本對網(wǎng)絡模型的影響。
　　 針對SVD方法在含有噪聲數(shù)據(jù)的樣本集上會導致網(wǎng)絡整體誤差變大的問題,提出了基于最速下降法優(yōu)化的權重訓練算法,使用SVD方法初始化權值矩陣,采用最速下降法優(yōu)化權值矩陣,并利