用基函数神经网络实现多阈值图象分割

本文介绍了一种用基函数神经网络实现多阈值图象分割的新方法。它从函数逼近的角度研究基于灰度直方图的多阈值分割问题，提出了一种模糊反向传播学习算法，采用该算法的高斯基函数网络能够准确检测直方图中包含的子区域和它们的分布函数，而且速度很快。实验表明本文的方法在实际图象分割中是有效的。     

鲁棒聚类-基于图论和目标函数的方法

本文在结论图论聚类法目标函数聚类法的基础上提出了一种新的聚类方法。首先用改进的模糊Ｇａｂｒｅｌ图得到样本数据所局域连接矩阵，然后它和数据的全局分布原型假设一起构造新的聚类准则。     

基于模糊—神经网络混合系统的图象分割方法

本文提出了一种基于模糊－神经网络混合系统的图象分割方法。它可以利用人的经验知识和神经人样本数据中学习知识的能力，得到性能良好的模糊规则，并且可以通过神经网络结构实现模糊推理。     

一种新的高斯基函数分类器训练方法的研究

本文主要研究高斯基函数分类器的训练问题，对基函数分类器来说，如何确定网络的初始隐层节点数和隐层节点参数是一个重要问题，文中采用基于遗传算法的高斯核函数聚类方法和模糊决策技术完成分类器的初始结构和参数确定，然后再采用反向传播（ＢＰ）学习算法完成分类器的最终训练，典型实验的结果表明了该方法的有效性。     

聚类神经网络的通用设计方法

基于神经网络的聚类算法通过其并行计算能力可以提高聚类速度．现有的聚类神经网络只能处理特定分布的数据聚类，网络缺乏通用性．文中分析了基于ＡＶＱ的聚类和Ｃ－均值聚类的等效关系，提出了一种通用的聚类神经网络设计方法．它适用于各种数据分布的聚类问题     

一种由模糊逻辑神经元网络实现的聚类分析方法

文中主要提出了一种由模糊逻辑单元组成的聚类神经元网络，它可以用于数据的聚类分析，由于逻辑单元易于硬件实现和快速运算，因此大大提高了聚类分析的速度，尽管采用了竞争学习作为网络的学习地，但是它却克服了一般竞争学习算法所固有的死点问题，使得聚类分析中初始点的选取可以有更大的随意性，这在具体应用中是很有用的，文中列举了一些有典型意义的实验，充分证实了这种方法的有效性。     

不同程度的监督机制在自动文本分类中的应用

自动文本分类技术涉及信息检索、模式识别及机器学习等领域。本文以监督的程度为线索，综述了分属全监督，非监督以及半监督学习策略的若干方法-NBC(Naive Bayes Classifier)，FCM(Fuzzy C-Means)，SOM(Self-Organizing Map)，ssFCM(serni-supervised Fuzzy C-Means)gSOM(guided Self-Organizing Map)，并应用于文本分类中。其中，gSOM是我们在SOM基础上发展得到的半监督形式。并以Reuters-21578为语料，研究了监督程度对分类效果的影响，从而提出了对实际文本分类工作的建议。     

基于模糊——神经网络混合系统的图象分割方法

本文提出了一种基于模糊-神经网络混合系统(FNNHS)的图象分割方法。它可以利用人的经验知识和神经网络从样本数据中学习知识的能力,得到性能良好的模糊规则,并且可以通过神经网络结构实现模糊推理。分割过程由基于区域生长的预分割和基于FNNHS的区域合并两步构成。实验表明,该方法用于复杂图象分割具有很好的效果。