文献类型：期刊文献

中文题名：l^P-系数正则化Shannon采样学习算法收敛速度(英文)

英文题名：The Learning Rate of l^p-coefficient Regularized Shannon Sampling Algorithm

作者：盛宝怀[1]

机构：[1]绍兴文理学院数学系

年份：2014

卷号：0

期号：6

起止页码：905

中文期刊名：数学进展

外文期刊名：Advances in Mathematics

收录：北大核心2011、北大核心、CSCD、CSCD2013_2014

基金：Supported by NSFC(No.10871226,No.61179041)

语种：中文

中文关键词：Shannon采样算法;学习理论;系数正则化;学习速度

外文关键词：Shannon sampling algorithm;;learning theory;;coefficient regularization;;learning rate

中文摘要：研究l^P-系数正则化意义下Shannon采样学习算法的收敛速度估计问题.借助l^P-空间的凸性不等式给出了样本误差和正则化误差的上界估计,并给出了用K-泛函表示的逼近误差估计.将K-泛函的收敛速度估计转化为平移网络逼近问题,在此基础上给出了用概率表示的学习速度.

外文摘要：In the present paper,we provide an investigation on the learning rate of the Shannon sampling algorithms with l^p-coefficient regularization.We give the upper bounds for the sample error and the regularization error with the convex inequality in l^p-spaces and show the approximation error by a K-functional whose convergence rate can be sum up to the translation network approximation.Basing on these estimates we show an explicit learning rate in possibility.