作者：田大新; 刘衍珩; 李宾; 吴静scaringup数据分割hebb规则分布式学习竞争学习
摘要：随着知识发现与数据挖掘领域数据量的不断增加，为了处理大规模数据，scaring up学习成为KDD的热点研究领域．文中提出了基于Hebb规则的分布式神经网络学习算法实现scaling up学习．为了提高学习速度，完整数据集被分割成不相交的子集并由独立的子神经网络来学习；通过对算法完整性及竞争Hebb学习的风险界的分析，采用增长和修剪策略避免分割学习降低算法的学习精度．对该算法的测试实验首先采用基准测试数据circle-in-the-square测试了其学习能力，并与SVM，ARTMAP和BP神经网络进行比较；然后采用UCI中的数据集US-Census1990测试其对大规模数据的学习性能．
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
