基于仿生模式识别的构造型神经网络分类方法

提出了一种基于仿生模式识别理论的神经网络构造方法.仿生模式理论认为:"同类而不完全相等的事物之间,必至少存在一个渐变过程,在这个渐变过程中间的各事物都是属于同一类的".利用这一理论,从不同结构神经元模型在高维空间中的几何意义出发,通过对一种新型的神经网络的构造,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖,从而达到分类的目的.通过双螺旋曲线的分类实验,证明了这种神经网络具有很好的识别效果.     

基于多层激励函数量子神经网络的字符识别算法

针对不同样本之间存在交叉数据的模式识别问题，将多层激励函数的量子神经网络引入模式识别之中，提出一种基于量子神经网络的模式识别算法。量子神经网络是将神经元与模糊理论相结合的模糊神经系统，由于自身固有的模糊性，它能将决策的不确定性数据合理地分配到各模式中，从而减少模式识别的不确定度，提高模式识别的准确性。本文以英文字母为例，应用量子神经网络模型进行字符识别，通过比较发现量子神经网络除了可以克服BP网络的诸多缺点外，对具有不确定性、两类模式之间存在交叉数据的模式识别问题，有极好的分类效果。仿真结果证明该方法的正确性和有效性。     

一种多权值神经元覆盖网络的构造方法

仿生模式识别利用多权值神经元覆盖网络构造模式类的覆盖来进行相应事物的识别.但在构造多权值神经元覆盖网络的过程中,关于构造神经元个数的确定方法没有相关讨论,即需要使用多少个神经元才能完成对模式类的覆盖.较多的神经元在精确的对模式类进行覆盖同时,也增大了网络的复杂度.文中提出了一种多权值神经元覆盖网络的构造方法.在保持神经网络对模式类的覆盖能力的基础上采用尽量少的神经元,从而能有效的降低神经网络构造代价.最后,通过实验作者验证了算法的有效性.     

模拟生物嗅觉神经系统的混沌神经网络及应用

以神经生物学实验结果为基础，根据生物嗅觉神经系统的信息处理机制，Freeman建立了非线性神经网络模型-K系列模型。KIII模型在模拟神经系统方面具有突出的优点，同时也具有一定的模式识别的能力，它的仿生特点代表了一种新型的神经网络模型。因此，KIII模型在解释人脑的认知机制和处理比较复杂的模式识别问题中有着广泛的实际应用价值。该文应用KIII模型在图像模式识别方面的应用做了初步探索，并将该模型应用于具体的简单图像模式识别中，取得了良好的效果。这一探索拓展了KIII模型模式识别应用范围，为该模型在图像模式识别方面的广泛应用建立了基础。     

基于BP神经网络的货币识别算法设计与实现

神经网络模式识别方法是近几年兴起的模式识别领域的一个新的研究方向,而BP算法是神经网络众多算法中应用最为广泛的一种.BP神经网络已应用于非线性建摸、函数逼近、模式分类等方面,但对解决具体问题而言,其模型结构的确定、每层神经元个数的选择、训练参数的设定等都无现成的规律可供遵循,必需由实验确定,由此,在分析BP算法和收敛性的基础上,设计了基于BP神经网络的货币识别算法,测试证明,其具有良好的识别率,具有一定的理论和实用意义.     

一种量子衍生神经网络模型

为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型. 该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元. 基于误差反传播算法设计了该模型的学习算法. 模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.     

面向图像识别的多层脉冲神经网络学习算法综述

相较于第1代和第2代神经网络,第3代神经网络的脉冲神经网络是一种更加接近于生物神经网络的模型,因此更具有生物可解释性和低功耗性。基于脉冲神经元模型,脉冲神经网络可以通过脉冲信号的形式模拟生物信号在神经网络中的传播,通过脉冲神经元的膜电位变化来发放脉冲序列,脉冲序列通过时空联合表达不仅传递了空间信息还传递了时间信息。当前面向模式识别任务的脉冲神经网络模型性能还不及深度学习,其中一个重要原因在于脉冲神经网络的学习方法不成熟,深度学习中神经网络的人工神经元是基于实数形式的输出,这使得其可以使用全局性的反向传播算法对深度神经网络的参数进行训练,脉冲序列是二值性的离散输出,这直接导致对脉冲神经网络的训练存在一定困难,如何对脉冲神经网络进行高效训练是一个具有挑战的研究问题。本文首先总结了脉冲神经网络研究领域中的相关学习算法,然后对其中主要的方法:直接监督学习、无监督学习的算法以及ANN2SNN的转换算法进行分析介绍,并对其中代表性的工作进行对比分析,最后基于对当前主流方法的总结,对未来更高效、更仿生的脉冲神经网络参数学习方法进行展望。     

基于嗅觉神经网络采用时间序列的电子鼻模式分类方法

从传感器阵列响应曲线中提取有效特征是传统人工神经网络在电子鼻模式识别应用中的第一步.文中提出将传感器阵列时间序列信号直接输入到一种具有丰富动力学特性的嗅觉神经网络中进行模式分类的方法.该方法不仅在仿生角度上使电子鼻进一步模拟了生物嗅觉系统信息处理过程,而且与以前所用的特征提取加神经网络的方法相比,在6种有机挥发物的分类识别中表现得更佳.     

一种量子神经网络模型学习算法及应用

提出一种量子神经网络模型及学习算法. 首先基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元, 该神经元由加权、聚合、活化、激励四部分组成. 然后由量子神经元构造出三层量子神经网络模型, 其输入和输出为实值向量, 权值和活性值为量子比特. 基于梯度下降法构造了该模型的超线性收敛学习算法. 通过模式识别和函数逼近两种仿真结果表明该模型及算法是有效的.     

一种基于Stripe算法的新型结构型神经网络

在非线性模式识别中，设计了一种利用Stripe算法调整辅助神经元的新方法，该方法利用相互平行的超平面将权值空问进行划分，使模型的非线性模式识别能力大大提高，用Matlab随机产生非线性分类问题，利用新模型得到较好的分类识别效果，证明了网络结构简单，非线性识别能力较高。     

Iterative Least Squares Functional Networks Classifier

This paper proposes unconstrained functional networks as a new classifier to deal with the pattern recognition problems. Both methodology and learning algorithm for this kind of computational intelligence classifier using the iterative least squares optimization criterion are derived. The performance of this new intelligent systems scheme is demonstrated and examined using real-world applications. A comparative study with the most common classification algorithms in both machine learning and statistics communities is carried out. The study was achieved with only sets of second-order linearly independent polynomial functions to approximate the neuron functions. The results show that this new framework classifier is reliable, flexible, stable, and achieves a high-quality performance     

基于受控旋转门的量子神经网络模型算法及应用

提出一种量子神经网络模型及算法．首先借鉴受控非门的含义提出一种受控量子旋转门,基于该门的物理意义,提出一种量子神经元模型,该模型包含对输入量子比特相位的旋转角度和对旋转角度的控制量两种设计参数;然后基于上述量子神经元提出一种量子神经网络模型,基于梯度下降法详细设计了该模型的学习算法：最后通过模式识别和时间序列预测两个仿...     

基于BP小波网络的故障模式识别

提出了一类新的BP小波网络，该网络采用BP学习算法，可实现信号的小波变换、特征提取和模式分类，具有结构清晰、算法简便的特点。将该网络应用于柴油机的活塞-缸套故障模式识别，并与用一般BP网络识别的结果比较，表明该网络对于非平稳时变振动信号具有很好的模式识别能力。     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

基于卷积计算的多层脉冲神经网络的监督学习

针对脉冲神经元基于精确定时的多脉冲编码信息的特点,提出了一种基于卷积计算的多层脉冲神经网络监督学习的新算法。该算法应用核函数的卷积计算将离散的脉冲序列转换为连续函数,在多层前馈脉冲神经网络结构中,使用梯度下降的方法得到基于核函数卷积表示的学习规则,并用来调整神经元连接的突触权值。在实验部分,首先验证了该算法学习脉冲序列的效果,然后应用该算法对Iris数据集进行分类。结果显示,该算法能够实现脉冲序列复杂时空模式的学习,对非线性模式分类问题具有较高的分类正确率。     

基于改进的ISODATA的超球覆盖仿生模式分类算法

现有仿生模式识别分类器难以解决含有多个聚集点、非线性和稀疏性样本的分类问题。因此,引入特征分类贡献度,提出了基于改进的迭代自组织数据分析(M-ISODATA)的超球覆盖仿生模式识别算法。首先引入马氏距离对自组织数据分析方法(ISODATA)的欧氏距离替换,并引入熵权法对马氏距离进行加权以赋予各特征不同的贡献度;同时为了去除干扰样本点,引入改进的局部离群因子检测方法(M-LOF)对样本进行训练,减少了不同类别流形之间的重叠区域。再利用改进的自组织数据分析方法(M-ISODATA)对每类训练样本点动态聚类,寻找到同一类的多个小类覆盖区中心后,用超球进行该类的有效覆盖,并对落入重叠区域的测试样本点进行二次划分,实现测试样本的正确分类。最后在iris数据集上验证该算法的有效性,并将该算法应用于雷达辐射源信号的分类识别。实验结果表明,该算法具有很好的拒识、免重训能力,对于雷达信号的识别率能达到97.29%,相比于传统典型模式识别算法具有更好的识别能力。     

Semisupervised learning of classifiers: theory, algorithms, and their application to human-computer interaction

Automatic classification is one of the basic tasks required in any pattern recognition and human computer interaction application. In this paper, we discuss training probabilistic classifiers with labeled and unlabeled data. We provide a new analysis that shows under what conditions unlabeled data can be used in learning to improve classification performance. We also show that, if the conditions are violated, using unlabeled data can be detrimental to classification performance. We discuss the implications of this analysis to a specific type of probabilistic classifiers, Bayesian networks, and propose a new structure learning algorithm that can utilize unlabeled data to improve classification. Finally, we show how the resulting algorithms are successfully employed in two applications related to human-computer interaction and pattern recognition: facial expression recognition and face detection.     

基于高维仿生覆盖的人脸识别方法

应用仿生模式识别的理论,提出了基于“认识”事物的人脸识别。根据同一人脸的分布在一定的高维空间的类聚性,提出了一种新颖的基于最小生成树的最邻近覆盖方法。利用小波变换对人脸图像进行分解,对分解后的4个子带分量进行加权融合,用K-L变换提取人脸特征子空间,应用提出的覆盖方法进行人脸识别。在ORL 人脸库上的实验结果表明,与传统的模式识别相比,不仅解决了未训练样本的误识问题,而且能获得更高的识别率。     

Uncertainty Estimation Using Fuzzy Measures for Multiclass Classification

Uncertainty arises in classification problems when the input pattern is not perfect or measurement error is unavoidable. In many applications, it would be beneficial to obtain an estimate of the uncertainty associated with a new observation and its membership within a particular class. Although statistical classification techniques base decision boundaries according to the probability distributions of the patterns belonging to each class, they are poor at supplying uncertainty information for new observations. Previous research has documented a multiarchitecture, monotonic function neural network model for the representation of uncertainty associated with a new observation for two-class classification. This paper proposes a modification to the monotonic function model to estimate the uncertainty associated with a new observation for multiclass classification. The model, therefore, overcomes a limitation of traditional classifiers that base decisions on sharp classification boundaries. As such, it is believed that this method will have advantages for applications such as biometric recognition in which the estimation of classification uncertainty is an important issue. This approach is based on the transformation of the input pattern vector relative to each classification class. Separate, monotonic, single-output neural networks are then used to represent the "degree-of-similarity" between each input pattern vector and each class. An algorithm for the implementation of this approach is proposed and tested with publicly available face-recognition data sets. The results indicate that the suggested approach provides similar classification performance to conventional principle component analysis (PCA) and linear discriminant analysis (LDA) techniques for multiclass pattern recognition problems as well as providing uncertainty information caused by misclassification