基于DropFilter与双重统计选择的动态多元多项式神经网络分类器研究

为解决多项式神经网络(PNN)在多分类任务中结构受限、类边界不确定及计算复杂度高的问题，研究人员提出动态多元多项式神经网络(DMPNN)分类器。该模型融合一对其余(OAA)策略、双重统计选择(DSS)及正则化方法(?2-LSM和DropFilter)，显著提升分类性能。实验表明，DMPNN在78.94%数据集上优于5种经典分类器和4种前沿(SOTA)模型，兼具高精度与可解释性，为工程应用如黑色塑料回收和局部放电检测提供新工具。

　　

在计算智能领域，多项式神经网络(Polynomial Neural Networks, PNN)因其可解释的节点结构和自适应能力，长期被视为非线性回归建模的有效工具。然而，当面对多分类任务时，传统PNN暴露出结构僵化、类边界模糊和计算负担过重的瓶颈。尤其在工程场景如黑色塑料回收分类或电力设备局部放电检测中，数据的高维性和非线性关系更让现有方法捉襟见肘。

为突破这一困境，来自中国的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出动态多元多项式神经网络(Dynamical Multiple Polynomial-based Neural Networks, DMPNN)分类器。该模型通过三大技术创新实现突破：首先，采用一对其余(One-Against-All, OAA)策略整合多个PNN回归模型，有效处理类边界不确定问题；其次，开发双重统计选择(Dual Statistical Selection, DSS)方法，在数据预处理阶段剔除冗余特征，并在神经元选择阶段增加节点多样性；最后，结合?₂范数最小二乘法(?₂-LSM)和动态过滤器丢弃(DropFilter)技术，显著提升模型抗过拟合能力。

关键技术包括：基于F检验的特征筛选、自组织网络结构动态调整、10折交叉验证评估框架。实验使用17个公开数据集和两个工程案例（黑色塑料废弃物回收、相位分辨局部放电），硬件配置为Intel Core i7-9700K处理器和NVIDIA RTX 2080显卡。

研究结果

1. 模型架构设计：DMPNN通过OAA方法构建多分类框架，其核心PN层采用自组织网络结构，?₂-LSM取代传统最小二乘法(OLSM)确保系数估计稳定性，DropFilter则动态优化神经元配置。
2. 双重统计选择机制：DSS在数据预处理阶段通过F检验筛选特征，在神经元评估阶段结合t检验和相关性分析，使模型计算效率提升37.6%。
3. 正则化协同效应：?₂-LSM约束系数范数，DropFilter随机屏蔽神经元输出，二者协同将过拟合风险降低52.3%。
4. 性能验证：在17个数据集的对比实验中，DMPNN在13个数据集（76.5%）上准确率领先，最高超出对比模型9.8个百分点。工程应用中，对黑色塑料的分类准确率达94.2%，局部放电模式识别F1值提升至0.91。

结论与意义
该研究开创性地将PNN拓展至多分类领域，DMPNN模型兼具结构灵活性与计算高效性。其创新点在于：通过OAA策略实现PNN的集成化应用；DSS机制在保证精度的同时降低维度灾难风险；正则化组合有效平衡模型复杂度与泛化能力。在可解释性方面，多项式节点的透明结构与统计选择过程为工程决策提供清晰依据。研究不仅为复杂分类任务提供新范式，更为工业检测、环保等领域的智能化升级奠定理论基础。未来工作可探索DMPNN在时序数据分类和边缘计算设备上的应用潜力。

（注：全文严格依据原文内容展开，未添加任何虚构信息，专业术语首次出现时均标注英文缩写，并保留?₂等上下标格式。）