一种构造性的概率决策自组织分类器

从输入的原始信息得到特征通常需要复杂的非线性运算,直接找到这种算法是很困难的.而M-P神经元模型的几何意义指出:构造一个网络,使对给定的样本集能进行符合要求的分类,等价于求出一组领域,对给定样本集中的点,能按分类的要求用领域覆盖将它们分隔开来.但是,在实际的大规模应用中,如时间序列预测的典型问题--股票预测,其给定的样本集中可能含有异动点,会引起错误的学习结果,因此,有必要引入自组织和概率决策化方法,提高分类的正确性,同时还可降低神经网络的结构规模,提高识别的速度.作者给出一种构造性的概率决策自组织分类器SPDC(A Selfadjusting and Probabilistic Decision-making Classifier),重点讨论了在覆盖算法中引入自组织和概率决策化方法.     

径向基概率神经网络的一种自组织学习算法

介绍了径向基概率神经网络 (RBPNN)的一种自组织学习算法 ,该算法把径向基概率神经网络的结构原理与自组织聚类算法相结合 ,不仅能够完成对训练样本的聚类分析 ,标识出训练样本的类别属性 ,而且能够自动完成基于该训练样本集的径向基概率神经网络的训练过程 .本算法用于对 IRIS三种花型识别在训练阶段达到 97.33%的识别效果 ,而在推广能力方面 ,由本文算法得到的 RBPNN优于有标识的训练样本的 RBFNN     

基于构造性形态学神经网络的一种提升算法

构造性形态学神经网络算法（CMNN）是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类,后有人提出了一种基于模糊格的形态学神经网络（FL-CMNN）,该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果,但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法（LCMNN）,该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值实验表明,基于构造性形态学神经网络算法的提升算法（LCMNN）与其他几种算法相比,能够达到最好的分类效果,而且简单易行,计算时间少。     

一种新的用于文本分类的概率分类器设计

为了进一步提高文本分类的准确率,文中介绍了一种新的用于文本分类的概率分类器。该分类器首先通过自然语言处理技术对文本进行预处理,然后从训练集中读取文本信息从而产生正、负规则,并计算正负权重系数,最后计算正、负概率。文中给出了计算正负权重系数的算法,并根据计算出来的权重系数及正、负概率值对文本进行分类。将文中提出的概率分类器与SVM分类器进行对比实验,实验结果表明,文中设计的概率分类器对于文本分类效果较好。     

一种神经网络自组织模糊控制*

本文提出一类基于神经网络的模糊控制。首先,它利用具有动态结构的ＢＰ网络进行模糊推理,实现模糊控制的最优推理过程。其次,它采用另一具有动态结构的ＢＰ网络校正现有的控制规则,实现规则自组织,在控制过程中不断优化控制性能,从而使控制的效果更加理想。     

一种基于语义的决策服务协作自组织方法

以形式化语义为基础提出一种决策服务协作自组织方法。首先,定义相关概念并引入Horn子句为语义推理基;然后,提出基于决策环境和能力准则的决策服务评估算法;最后,提出了自组织算法,通过自组织矩阵找到最符合需求的决策服务协作参与者。实验分析表明所提出的方法是有效可行的。     

基于构造性学习方法的车牌定位

汽车牌照的定位是智能交通系统中的重要组成部分之一，其定位效果直接关系到后期的识别工作，应用前景广阔。为了有效实现车牌的准确定位，文中首先在灰度图像中基于提取部分怀疑区域，然后使用基于构造性学习的交叉覆盖算法，对区域样本进行学习后构造出对应的神经网络，然后使用该网络对新进样本进行定位，从怀疑区域中确定出牌照的位置。对不同背景和光照条件下的大量实验结果表明定位准确率较高，从而该方法可行有效，有较强的实用价值。     

一种新的三支扩展TAN贝叶斯分类器

针对二支决策TAN分类器在处理不确定数据时有较高的错误率,提出一种新的三支扩展TAN贝叶斯分类器(3WD-TAN).首先通过构建TAN贝叶斯分类模型,采用先验概率和类条件概率估计三支决策中的条件概率;其次构建3WD-TAN分类器,制定3WD-TAN分类器中正域,负域和边界域的三支分类规则,结合边界域处理不确定性数据的优...     

一种基于距离的神经网络分类器的设计方法

本文提出一种基于距离的神经网络分类器的设计方法。用这种方法设计的网络比采用一般BP算法的网络有较快的收敛速度。这种网络也为理解三层网络的映射能力、记忆容量及隐节点的设置等问题提供了很好的启发和帮助。     

Multiple Classifier Fusion in Probabilistic Neural Networks

The main motivation of this paper is to design a statistically well justified and biologically compatible neural network model and, in particular, to suggest a theoretical interpretation of the well known high parallelism of biological neural networks. We consider a novel probabilistic approach to neural networks developed in the framework of statistical pattern recognition, and refer to a series of theoretical results published earlier. It is shown that the proposed parallel fusion of probabilistic neural networks produces biologically plausible structures and improves the resulting recognition performance. The complete design methodology based on the EM algorithm has been applied to recognise unconstrained handwritten numerals from the database of Concordia University Montreal. We achieved a recognition accuracy of about 95%, which is comparable with other published results. Received: 21 November 2000, Received in revised form: 15 November 2001, Accepted: 13 December 2001     

一种基于自适应遗传BP算法的神经网络目标分类器设计方法

目标分类器是水下目标识别系统的重要组成部分.本文针对线谱特征提取,提出了一种基于自适应遗传BP算法训练神经网络目标分类器的新方法.经对海上实录三类目标噪声分类识别实验结果表明采用新方法的神经网络分类器具有更优的分类效果.     

一种改进的贪婪式覆盖算法

文中对覆盖算法进行了介绍和分析,提出了一种基于贪婪算法思想的改进的覆盖算法,称之为贪婪覆盖算法。通过对覆盖初始中心选择方式的改进,减少覆盖数量。通过实验,对比目前已有的几种实现方法,覆盖数量有了较大的下降,明显提高了分类识别的速度。     

一种新的基于构造型神经网络分类算法

该文提出一种基于构造型神经网络的最大密度覆盖分类算法,该算法直接从样本数据本身入手,通过引入一个密度估计函数对样本数据进行聚类分析,找出同类样本中具有最大密度的样本数据点,然后在特征空间里作超平面与球面相交,得到一个球面领域覆盖,从而将神经网络训练问题转化为点集覆盖问题．该算法有效地克服了传统神经网络训练时间长、学习复杂的问题,同时也考虑了神经网络规模的优化问题,实验证明了该算法的有效性．     

基于覆盖算法的两层结构分类器设计

分类器设计是模式识别系统中的关键步骤之一。在目前的许多设计方法中,分类器大多采用的是单层结构,即直接将输入模式映射为识别出来的结果,这类结构虽然简单直观,但是往往难于发挥分类器设计算法的最大性能。文中从分类器的结构方面考虑,提出了一种基于覆盖算法的两层结构分类器的设计方法,并且与单层结构分类器做了实验分析对比,得出了在不明显增加构造复杂度的情况下两层结构的设计大大改善了分类器的性能。     

带树突的多层形态感知器的交叉覆盖设计算法

带树突结构的形态感知器是用格代数的方法对样本集进行分类的。树突结构目前被认为是实现逻辑运算最基本的自主计算单元,引入树突计算过程的神经元也就更接近于实际的生物神经元,具有很强的计算能力。论文根据树突过程的几何意义,通过用树突输出的方框代替覆盖算法中的“球形领域”,提出一种适于多层形态感知器学习的算法,叫做形态交叉覆盖算法,并在此基础上给出一种带树突结构的多层形态感知器模型。三个著名分类问题的实验结果很好地证明了该模型的有效性。     

协同半监督的构造性学习方法

利用构造性学习（CML）算法训练分类器需要大量已标记样本,然而获取大量已标记的样本较为困难。为此,提出了一种协同半监督的构造性学习算法。将已标记样本等分为三个训练集,分别使用构造性学习算法训练三个单分类器,以共同投票的方式对未标记样本进行标记,从而依次扩充三个单分类器训练集直到不能再扩充为止。将三个训练集合并训练出最终的分类器。选取UCI数据集进行实验,结果表明,与CML算法、Tri-CML算法、NB算法及Tri-NB相比,该方法的分类更为有效。     

优化的BP神经网络分类器的设计与实现

文章从实用、经济和高效的角度出发,提出了一种优化BP神经网络分类器的设计与实现方案。它具有较好的模块性,可移殖性以及透明性。对于各种模式识别的情况,它都具有一定的实用和参考价值。同时提出了一种确定隐层节点数的新方法。结果良好。     

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。