关于单体模糊神经网络感知机收敛定理的讨论

考虑单体模糊神经网络模型,讨论了单体模糊神经网络的感知机收敛定理与传统神经网络感知机收敛定理的关系,指出了在证明单体模糊神经网络的感知机收敛定理时存在的问题,提出了两种修改方案,即给出了两个改进的感知机收敛定理,并给出相应的证明和说明.     

前馈神经网络模式分类器的推广能力

研究了前馈神经网络模式分类器的推广能力．从几何和概率两个方面分析了前馈网络用于模式识别的分类机理，在前人证明的基于误差最小的有导师（１和０）前馈网络输出端输出为模式样本后验概率估计结论的基础上，给出了径向基函数网络推广的核函数定理；对于两层感知器网络，提出使用加性噪声的样本来增加网络的推广能力．最后使用实测的五种飞机目标一维距离（纵向）象实验数据进行了模拟实验．     

一种鲁棒的监督流形学习算法及其在植物叶片分类中的应用

结合数据点的类别信息、局部信息和数据点的可信度,给出一种测地距离定义.在此基础上,提出一种改进的鲁棒性监督等度规映射算法,并应用于植物叶片分类中.首先利用改进的等度规映射将叶片图像投影到低维流形空间.然后采用支持向量机分类器进行植物叶片图像分类与识别.最后利用20种实际植物叶片图像进行植物叶片图像分类实验.实验结果表明该方法是有效可行的.     

语义推荐算法研究综述

近年来,语义推荐技术已成为信息服务领域的一个研究热点和重点.与传统的推荐算法相比,语义推荐算法在实时性、鲁棒性和推荐质量等方面具有显著的优势.针对语义推荐算法的国内外研究现状、进展,从四个角度进行归纳和总结,即基于语义的内容推荐算法、基于语义的协同过滤推荐算法、基于语义的混合推荐算法以及基于语义的社会化推荐算法,旨在尽可能全面地对语义推荐算法进行细致的介绍与分析,为相关研究人员提供有价值的学术参考.最后,立足于研究现状的分析与把握,对当前语义推荐算法所面临的挑战与发展趋势进行了展望.     

三种新的学习子空间模式识别方法的研究

本文提出了最小模、检错平均、前后向平滑三种新的神经网络学习子空间模式识别方法。这些方法在识别率和收敛速度等整体性能上，接近或超过Ｅ．Ｏｊａ的平均学习子空间方法；特别是，前后向平滑学习子空间方法是目前最好的一类学习子空间方法，在模式识别领域，特别是语音识别方面具有广泛的应用前景。本文就舰船目标与箔条杂波利用这些方法进行了若干分类与识别实验，计算机模拟结果证实了这些方法的有效性。     

自监督学习子空间模式识别方法的统计特性分析

本文研究了神经网络无导师自监督学习子空间模式识别方法的收敛性问题，证明了学习子空间法的变换矩阵收敛于模式的自相关矩阵估计；证明了一类Ｋｏｈｏｎｅｎ自监督学习子空间方法的收敛性；给出了子空间旋转变化所引起的子空间特征谱分布的近似表达式，同时给出了子空间扰动的上界定理。     

一种新的径向基概率神经网络模型(Ⅰ):基本理论

文中在径向基函数网络（ＲＢＦＮ）和概率神经网络（ＰＮＮ）的基础上，提出了一种径向基概率神经网络（ＲＢＰＮＮ）模型，这种网络保留了前两种网络模型的优点，既可以减少网络连接权值的训练时间，又能减少网络隐单元的数目，同时，网络用于测试的时间也较ＲＢＦＮ明显地下降．