一种新的自适应谐振算法

本文提出了一个综合多种神经网络理论的学习算法ＦＴＡＲＴ（ｆｉｅｌｄｔｈｅｏｒｙ—ｂａｓｅｄａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ），它将ＡＲＴ（ａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ）算法、ＦｉｅｌｄＴｈｅｏｒｙ和ＡＲＴＭＡＰ等算法的优点有机结合，并以样本在实例空间出现的概率为启发信息修改分类．ＦＴＡＲＴ由于采用了不同于其它算法的冲突解决和动态扩大分类区域的方法，因此取得了较好的效果．本文还对实现ＦＴＡＲＴ算法的结果进行了验证．     

一种混合型机器学习模型

本文运用多概念获取算法ＨＭＣＡＰ，结合神经网络算法ＦＴＡＲＴ提出了一种新的混合型学习模型ＨＬＭ。在ＨＬＭ中，符号学习与神经网络学习具有结合紧密和转换灵活等特点，并采用了新的竞争学习机制，以样本在实例空间中出现的概率为启发信息修改学习中生成的分类。     

关于并行FFT算法

关于并行ＦＦＴ算法魏公毅，蔡中善（中国科学院计算中心）ＯＮＰＡＲＡＬＬＥＬＦＦＴＡＬＧＯＲＩＴＨＭＳ￥ＷｅｉＧｏｎｇ－ｙｉ；ＣａｉＺｈｏｎｇ－ｓｈａｎ（ＣｏｍｐｕｔｉｎｇＣｅｎｔｅｒ．ＡｃａｄｅｍｉａＳｉｎｉｃａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｐａｒａｌｌ...     

基3离散余弦变换快速算法

基３离散余弦变换快速算法曾泳泓（长沙国防科技大学七系）ＲＡＤＩＸ３ＦＡＳＴＡＬＧＯＲＩＴＨＭＳＦＯＲＤＣＴ￥ＺｅｎｇＹｏｎｇｈｏｎｇ（７ｔｈＤｅｐａｒｔｍｅｎｔ，ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔｙｏｆＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ）Ａｂｓｔｒａ...     

基于人工神经网络的FMS物料搬运机器人的故障诊断

本文讨论了一种无导师的神经模型－－自适应谐振理论ＡＲＴ，详细分析了ＡＲＴ的工作原理及故障诊断过程，本文以ＦＭＳ中的物料搬运机器人的故障诊断为例，详细说明了故障样本编码，ＡＲＴ的自学习，智能化诊断过程，并给出了仿真结果（在ＰＣ－４８６／３３上实现），仿真结果表明ＡＲＴ是一种有效且实用的故障诊断方法。     

运输问题的Alphabeta算法的分析

运输问题的Ａｌｐｈａｂｅｔａ算法的分析刘诚，杨承恩（长沙铁道学院）ＡＮＡＮＡＬＹＳＩＳＯＦＴＨＥＡＬＰＨＡＢＥＴＡＡＬＧＯＲＩＴＨＭＦＯＲＴＨＥＴＲＡＮＳＰＯＲＴＡＴＩＯＮＰＲＯＢＬＥＭ￥ＬｉｕＣｈｅｎｇ；ＹａｎｇＣｈｅｎｇ－ｅｎ（ＲｅｓｅａｒｃｈＤ...     

高维空间最近点对问题的ε网算法

高维空间最近点对问题的ε网算法王晓东，傅清祥（福州大学）εＮＥＴＡＬＧＯＲＩＴＨＭＦＯＲＴＨＥＯＮ－ＬＩＮＥＣＬＯＳＥＳＴＰＡＩＲＰＲＯＢＬＥＭＳ￥ＷａｎｇＸｉａｏｄｏｎｇ；ＦｕＱｉｎｇｘｉａｎｇ（ＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ）Ａｂｓｔｒａｃｔ：...     

基于广义基函数的CMAC学习算法的改进及收敛性分析

基于广义基函数的ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）学习算法（称Ｃ－Ｌ算法）收敛条件依赖于基函数和学习样本,很难同时满足学习快速性与收敛性．提出了一种改进学习算法,并证明改进算法是收敛的,而且收敛条件不依赖于基函数和学习样本．仿真结果表明改进算法优于Ｃ－Ｌ算法和标准的Ａｌｂｕｓ算法．     

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点,针对回归估计问题的特性,提出了一种新型神经网络回归估计算法ＦＴＡＲＴ３．该算法学习速度快、归纳能力强,不仅具有增量学习能力,还克服了ＢＰ类算法需要人为设置隐层神经元的缺陷,直线、下弦、二维墨西哥草帽、三维墨西哥草帽等４个实验表明,ＦＴＡＲＴ３在函数近似效果和训练时间代价上都优于目前常用于因归估计问题的ＢＰ类算法。     

ERP小辞典(62)

流程目：其英文表述为ＦＬＯＷＣＨＡＲＴ．从细分角度,又可分成物流流程图、现金流程图、控制流程图等,这些都是实施ＥＲＰ系统的必备工具和前提条件。在具体实施某个ＥＲＰ系统前,企业一般先要将日常的工作流程图（ＡＣＴＩＶＴＴＹＦＬＯＷ　ＨＡＲＴ）进行业务流程的重组（ＢＰＲ）,然后再描绘成实际可操作的数据流程日（ＤＡＴＡＦＬＯＷ　ＣＨＡＲＴ）以及相应的控制流程图。规范和科学的流程因是企业三大订单和三大流正常运作的坚实基础。ERP小辞典(62)@孙健     

快速神经网络分类学习算法的研究及其应用

提出了一种快速神经网络分类学习算法FTART2,该算法结合了自适应谐振理论和域理论的优点,学习速度快、归纳能力强、效率高,用UCI机器学习数据库中的两个数据集对FTART2与目前最流行的BP进行比较测试,实验结果表明前者的分类精度与学习速度均优于后者,还将FTART2算法应用于石油地质储层分析领域,取得了很好的效果。     

基于域理论的自适应谐振神经网络分类器

提出了一种基于域理论的自适应谐振神经网络模型FTART2(field theory based adaptive resonance theory 2).该模型结合了自适应谐振理论和域理论的优点,学习速度快,归纳能力强,效率高,可以根据输入样本自适应地调整拓扑结构,克服了前馈型网络需要人为设置隐层神经元的缺点.基准测试表明,FTART2在学习精度和速度上都远远优于标准BP算法.     

基于神经网络的肺癌细胞识别方法的研究

细胞识别是图像处理和模式识别领域的一个研究热点,有着十分广泛的应用前景。本文提出了基于神经网络算法FTART2的肺癌细胞识别方法,讨论了FTART2的网络结构、输入矢量的标准化及分类算法。用513个样本对网络进行训练,再用716个样本组成测试集进行测试,实验结果表明:本文提出的基于FTART2的肺癌细胞分类器与基于标准BP的分类器相比,具有学习速度快、分类精度高的特点。     

基于域理论的自适应谐振神经网络研究

提出了一种基于域理论的自适应谐振神经网络算法 FTART,有机结合了自适应谐振理论和域理论的优势 ,以一种独特的方式解决了示例间冲突和分类区域的动态扩展 ,不仅不需要手工设置隐层神经元 ,可以还获得了较快的训练速度和较高的预测精度 .同时还提出了一种可以从训练好的 FTART网络中抽取可理解性好、精度高的符号规则的方法 ,即基于统计的产生测试法 .实验结果表明 ,用该方法抽取的符号规则可以较好地描述FTART的功能.     

混合型学习模型HLM中的增量学习算法

混合型学习模型HLM将概念获取算法HMCAP和神经网络算法FTART有机结合，能学习多概念和连续属性，其增量学习算法建立在二叉混合判定树结构和FTART网络的基础上，在给系统增加新的实例时，只需进行一遍增量学习调整原结构，不用重新生成判定树和神经网络，即可提高学习精度，速度快、效率高．本文主要介绍该模型中的增量学习算法．     

FTART2神经网络及其规则抽取研究

本文提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ２,算法将自适应谐振理论和域理论的优点有要结合,不需人为设置隐层神经元,学习速度快,精度高。此外,本文不提出了一种从ＦＴＡＲＴ２网络中抽取符号规则的方法。实验结果表明,使用该方法抽取出的符号规则可理解性好,预测精度高,可以很好地描述了ＦＴＡＲＴ２网络的性能。     

ART—2A的同相位不可分问题及其解决方法

自适应共振理论（ART）是一种典型的、无监督的、能够对复杂输入模式实现自组织识别的神经网络,本文经分析发现标准ART－2A算法中存在“同相位不可分问题”,由此提出新的F1层非线性变换函数和F2层竞争学习算法,把ART－2A算法的适用范围扩展到整个实数域,然后提出了相应的线性变换处理方法把“同相位不可分问题”转化为“整个坐标平面内的相位划分问题”,从而很好地解决上述问题,增强了ART－2A算法的适用性。验证算例的结果表明,新型ART－2A算法能够对更为广泛的数据模式进行自适应识别,分类结果准确。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征，自适应共振(ART)网络有很好的学习能力。将二者结合起来，用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率，能够有效地进行手写数字的分类，可以满足实际应用。