1) disintegrative method of learning
分解学习法
2) pure decomposed learning method
纯粹分解学习法
3) part learning method;part method
部分学习法
6) distributed learning algorithm
分布式学习算法
1.
To solve the bottleneck of memory and running time problem in protein structure predicting with large-scale data set, a neural networks distributed learning algorithm is studied.
针对目前神经网络在处理类似生物信息数据库这类较大规模数据时,遇到的大规模数据处理耗时过长、内存资源不足等问题·在分析当前神经网络分布式学习的基础上,提出了一种新的基于Agent和切片思想的分布式神经网络协同训练算法·通过对训练样本和训练过程的有效切分,整个样本集的学习被分配到一个分布式神经网络集群环境中进行协同训练,同时通过竞争筛选机制,使得学习性能较好的训练个体能有效地在神经网络群中迁移,以获得较多的资源进行学习·理论分析论证了该方法不仅能有效提高神经网络向目标解收敛的成功率,同时也具有较高的并行计算性能,以加快向目标解逼近的速度·最后,该方法被应用到了蛋白质二级结构预测这一生物信息学领域的问题上·结果显示,该分布式学习算法不仅能有效地处理大规模样本集的学习,同时也改进了训练得到的神经网络性能
补充资料：分解预测法
分解预测法
decomposition forecasting method
(1)选择对应时间(或时间段)、对应类别的历史负荷曲线，将其分解为若干个时间序列，分析其变化的规律性.︵沙月5椒以枷脚翔脚翔旧吻┌────┐│剥回 │├────┤│，....，│├────┤│ │├────┤│ │└────┘时序 对应时间的历史日负荷曲线 (2)定性分析预侧期内用电结构和用电方式的变化趋势，选择合适的时间序列预测方法，分别对各时间序列进行预侧。 (3)将各预侧值合成为负荷曲线，并校核其特性指标与定性分析结果的一致性。若不一致，则要分析并找出偏差较大的序列，重新预测并校核。 分解预侧法的关健是要选择对应时间(或时间段)和对应类别的负荷曲线作为分解对象，使得分解后的历史时间序列具有较强的规律性，以提高预测的准确性。另外，还要对未来负荷曲线及其特性的变化趋势(尤其要对高峰时段的负荷水平及其变化趋势)做深人的分析。fenJ一e yueefa分解预测法(deeomposition foreeasting met-hed)通过将历史的对应时间(或时间段)、对应类别的负荷曲线分解为若干个时间序列，采用时间序列法(如指数平滑法、移动平均法等)，分别对各时间序列的负荷进行预测，再将各负荷预测结果合成，得到预侧期负荷曲线的方法。分解预测法可用于日、周(月)、年等负荷曲线的预测。 以日负荷曲线为例，将历史的对应时间的日负荷曲线用立体图形表示(如图所示)，可将其分解为24个时间序列(例如各日最高负荷点可构成一个时间序列)，分别预测未来24个时刻的负荷值，再将其合成，即得到预侧期的日负荷曲线。 分解预测法的具体步骤是:
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条