竞争型神经网络在土壤分类中的应用

该文首先利用神经网络对数据进行离散化处理,然后在竞争型神经网络中引入阈值学习,提出了基于属性决策和竞争型神经网络的聚类方法,解决了该类网络在训练过程中遇到"死"点时训练误差偏大的问题,最后把本文提出的算法应用到对河南省抽取的土壤样本的聚类分析,并取得了较好的聚类效果。     

对学习矢量量化神经网络中“死”点问题的研究

竞争型神经网络已经在模式识别、分类等方面得到了广泛的应用,与传统的聚类方法相比具有巨大优势,但是在许多方面还存在不足,需要进一步完善。在Kohonen提出的学习矢量量化网络(Learning Vector Quantization Network,LVQ)的基础上,引入阈值学习规则,较好地解决了该类网络中遇到"死"点时训练误差偏大的问题,最后通过Matlab编程实现。     

基于改进的SOFM神经网络的矢量量化方法

基于Kohonen自组织特征映射(SOFM)神经网络的矢量量化图像压缩编码是一种非常高效的方法,但其码字利用不均匀,某些神经元永远无法获胜而产生"死神经元"的问题仍然十分明显。在追求为使各个神经元能以较为均衡的几率获胜,尽量避免"死神经元"过程中,Kohonen SOFM-C很具代表性,它既能保持拓扑不变性映射又能最有效地避免"死神经元",是一种带"良心"的竞争学习方法。本文利用Kohonen SOFM-C码字利用更为均衡的优点,并针对SOFM在胜出神经元的邻域内神经元修改权值方法的不足,提出基于SOFM-C的辅助神经元自组织映射算法,此方法具有开放性,可随时添加入新的有效算法模块以达到更好的效果。并把该矢量量化算法应用于小波变换域,以获得更好的码书。仿真结果表明,该方法优于已有的SOFM方法。     

自组织映射(SOM)型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法,该算法通过计算获胜神经元来找到最接近输入模式的节点,然后通过对网络连接权值的自组织,训练一个自组织竞争的神经网络,该网络通过一组输入数据可自行训练形成一个神经网络模型.     

自组织映射（S0M）型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法，该算法通过计算获胜神经元来找到最接近输入模式的节点．然后通过对网络连接权值的自组织，训练一个自组织竞争的神经网络，该网络通过一组输入数据可自行训练形成一个神经网络模型，     

一种改进的动态二叉树的自组织神经网络算法

分析了自组织神经网络各种改进算法的优缺点，详细设计和实现了一种基于改进动态二叉树的自组织映射树（DBTSONN）。在改进动态二叉树中神经元节点可以自动生长和剪除，无需在训练前预先确定自组织神经网络结构。DBTSONN1算法采用单路径自组织树中搜索最匹配叶节点（获胜神经元），DBTSONN2算法考虑了获胜神经元节点所在自组织二叉树的层次，采用双向搜索获胜叶节点，提高了搜索效率。实验结果表明，该算法在向量量化器设计方面具有很好的效果。     

机械手的在线鲁棒自适应神经网络跟踪控制

考虑了一类具有外界干扰和不确定性的机械手臂轨迹跟踪鲁棒控制问题. 控制器由自适应RBF(radial basis function)神经网络控制器和PD控制器组成. 采用基于神经元灵敏度和获胜神经元概念的GP–RBF算法, 在线确定神经网络的初始结构和参数. 当误差满足一定要求时, 根据Lyapunov稳定性理论的自适应律进一步调整网络权值, 以保证机械手位置误差和速度跟踪误差渐近收敛于零. 所设计的控制器可保证闭环系统的稳定性和鲁棒性. 仿真结果证明了本文方法的有效性.     

一种应用PSO优化RBF神经网络的方法

RBF神经网络算法是一种常用的数据训练方法,在该训练过程中,如何选取更合理的个体作为RBF神经网络的神经元,直接关系到该数据训练方法的性能.利用传统的RBF神经网络模型进行数据训练,由于不同的神经元之间的差异性较小,造成建立的RBF神经网络集成模型的精确度过低.为此,提出应用PSO优化RBF神经网络的方法.动态构造PSO优化RBF神经网络结构,针对不同的动态构造方法进行分类,得到网格删除法、网络构造法和综合法等不同的动态构造方法,在动态构造的基础上,建立引用PSO优化RBF神经网络模型,计算RBF神经网络中的粒子变量,获取对应的适应性值,得到RBF神经网络的输出结果,实现应用PSO优化的RBF神经网络建模.实验结果表明,利用改进算法进行RBF神经网络构建,能够降低RBF神经网络的数据训练误差,满足实际需求.     

基于粗糙集的神经网络结构优化方法

针对神经网络的结构存在冗余的问题,提出了一种利用粗糙集优化神经网络结构的方法。在保持神经网络处理能力的基础上,利用网络的隐层神经元与网络误差构造决策表并进行属性约简,删除冗余的隐层节点。实验证明,该方法可以简化神经网络结构和减少神经网络的训练时间。     

BP神经网络用于藻类生长预测的改进

针对传统的BP神经网络应用于藻类生长预测时,往往出现训练时间较长、输出数据精度低等问题.本文提出了在含有两层隐含层的BP神经网络结构中,对于数量一定的神经元,若神经元在隐含层分配合理,则BP神经网络可以达到减少训练次数并且能满足问题精度的要求.应用实例表明,该方法对预测藻类生长显得非常有效.