针对平面高斯神经(Plane-Gaussian,PG)网络采用k-平面聚类算法得到网络参数,使得网络训练时间过长,且易陷入局部极小值的问题,借鉴极限学习机(Extreme learning machine,ELM)中网络参数随机选择的方式,提出了随机投影下的平面高斯神经网络(Plane-Gaussian network based on random projection,RandPG)。该网络采用随机投影的方式确定隐层激活函数的参数,然后利用Moore-Penrose广义逆求解输出层权值。理论上证明该网络具有全局逼近性。同时,对呈直线型和平面型的人工数据集以及UCI标准数据库中的分类数据集进行测试,结果表明,RandPG网络提供了一种简便的参数学习方法,并且在继承了PG网络对呈子空间分布的数据分类具有优势的情况下,显著提高了网络的学习速度。
