一种新型ARTII无监督分类算法

ART是一种典型的、无监督的、能够对复杂输入模式实现自稳定和自组织识别的神经网络。该文针对标准ARTII算法的预处理信号畸变问题,提出了新的非线性变换函数和竞争学习算法,该新型ARTII算法的输入域由原来的非负实数域扩大到整个实数域,且分类性能良好,以多种分类问题对该算法的性能进行验证,结果表明该算法性能优良,能自适应地识别未知故障模式,分类准确。     

ART－2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法。通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ０＞ρ０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别     

ART—2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法，通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ＾０〉ρ＾０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别。     

对FTART算法的研究及改进

ＦＴＡＲＴ（ｆｉｅｌｄｔｈｅｏｒｙ－ｂａｓｅｄＡＲＴ）算法结合了ＡＲＴ（ａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ）算法、ＡＲＴＭＡＰ算法、域理论的思想，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，采用了不同于其它算法的解决样本间的冲突和动态扩大分类区域的方法．本文在对ＦＴＡＲＴ算法的研究的基础上进行了改进，使算法在学习连续函数的映射时更加有效．同时给出了算法的测试结果和对测试结果的分析，测试表明，ＦＴＡＲＴ算法在模式识别和连续函数映射的学习方面具有比较好的性能.     

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。     

一种改进的ART1算法及其在人像识别中的应用

本文通过对自适应共振理论（ＡＲＴ）ＡＲＴ１的研究,提出了一种改进的ＡＲＴ１算法,这种算法不仅具有ＡＲＴ１算法的所有优点,而且降低了ＡＲＴ１算法的识别识误差。该算法在人像识别中取得了令人满意的效果。     

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求,对ＡＲＴ－２神经网络的算法进行了改进和调整,提出了ＡＲＴ－２神经网络的改进算法,通过对改进算法与原算法的识别试验结果进行比较,表明该改进算法对模式的有序输出是可行的和有效的。     

基于ART网的直流提升机故障诊断

神经元的自组织聚类网络（ＡＲＴ）能够通过自组织学习进行模式分类，并能够按训练分类识别以后的模式，可完成直流提升机故障模式的在线识别和诊断。这种方法训练和运算速度快，不会陷入局部极小，当包含新的样本时，不必全部重新训练。     

基于ART Ⅱ信息融合的BIT虚警识别

恶劣环境是电子设备ＢＩＴ运行过程中出现虚警的重要原因，由于样本获取困难，无导师学习神经网络得到广泛重视。本文提出采用ＡＲＴ Ⅱ网络对电子设备ＢＩＴ输出信息和环境应力信息进行融合，自适应识别ＢＩＴ状态模式，实验证明ＡＲＴ Ⅱ网络能准确识别ＢＩＴ状态，滤除虚警。     

慢速权值更新的ART2神经网络研究

ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。提出了一种基于慢速权值更新的ART2神经网络算法,该算法在对输入模式进行识别分类时,会减慢学习速率,降低模式漂移的速度。新的网络学习规则在分类实验中取得了较好的效果,并在一定程度上解决了模式漂移问题。     

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．     

基于单义域邻接图的圆弧与圆识别

工程图纸扫描输入与识别理解是ＣＡＤ推广和普及的关键步骤之一,主要解决已有大量图纸再利用问题。在工程图纸扫描图象识别研究中,圆弧识别是识别算法中的重点和难点。传统的圆弧识别多是基于线段逼近。该文提出一种基于单义域邻接图的圆弧及圆识别算法,可以直接提取圆弧,对二值图象作水平黑洲程编码,相关游程基于线宽与拓扑的一致性构成条形域,对其中多义域进行分裂得单义域（线段域和圆弧域）,单义域邻接图可较好描述图象的     

低复杂度序列高斯逼近MIMO检测算法

提出一种多入多出（MIMO）系统空间复用模式下的低复杂度序列高斯逼近（LC-SGA）算法。该算法把序列高斯逼近（SGA）算法在复数域进行路径搜索的问题近似为实数域的搜索问题,从而降低了计算复杂度。仿真结果表明,LC-SGA算法在相同搜索路径数的情况下,其误比特率（BER）性能与传统的SGA算法相当,且当搜索路径数较大时接近最大似然检测的性能。     

改进型GA—BP训练策略与模式分类

本文以电力变压器油气成分和含量数据为例，探讨将神经网络方法用于复杂信息模式分类的问题。在改进遗传算法和ＢＰ算法的基础上，提出一种新的改进型ＧＡ－ＢＰ算法与结合模型。实际运行结果表明，该模型和算法具有良好的快速性能和较高的识别能力，具有实用价值。     

基于深度自编码器子域自适应的跨库语音情感识别

针对不同语料库之间数据分布差异问题,提出一种基于深度自编码器子域自适应的跨库语音情感识别算法.首先,该算法采用两个深度自编码器分别获取源域和目标域表征性强的低维情感特征;然后,利用基于LMMD(local maximum mean discrepancy)的子域自适应模块,实现源域和目标域在不同低维情感类别空间中的特征分布对齐;最后,使用带标签的源域数据进行有监督地训练该模型.在eNTERFACE库为源域、Berlin库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了5.26％～19.73％;在Berlin库为源域、eNTERFACE库为目标域的跨库识别方案中,所提算法的跨库识别准确率相比于其他算法提升了7.34％～8.18％.因此,所提方法可以有效地提取不同语料库的共有情感特征并提升了跨库语音情感识别的性能.     

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。     

基于联合特征向量的自动数字调制识别算法*

在高信噪比处理域构造新的用于调制识别的高阶统计量幅值特征,与传统特征相比保留了更多的分类信息,适合干扰较大多种调制模式并存的环境。基于联合特征向量有效提高了识别性能,用窗口平滑抑制截获信号中的噪声,对识别器输入特征向量样本规范化以提高处理速度。分别基于欧氏距离分类方法和改进算法的神经网络识别器进行仿真实验,证明了采用联合特征向量和优化方法在低信噪比干扰更大的信道条件下能区分更多的调制类型(MASK、MPSK、MFSK、MQAM),且平均调制识别率提高20%30%,算法效率也得到明显提高。     

改进的多目标遗传算法在营养决策中应用

将多目标遗传算法NSGA-Ⅱ应用于营养决策优化。采用多维实数向量的编码方式,使用状态转移表对遗传算子进行描述。对NSGA-Ⅱ算法进行改进,在进化操作中增加了随机变换运算和删除运算,加快了算法的收敛并避免了早熟。仿真结果证明该算法能逼近Pareto域,并在该域中均匀分布,经一次运行便可提供更多科学合理的营养决策优化候选方案。     

应用ART2人工神经网络自组织形成焊缝图象中的典型空间模式

应用ＡＲＴ２人工神经网络算法，使采集到的焊缝横截面方向上的灰度分布数据自组织形成若干种空间模式，并把它们作为典型空间模式存储在ＡＲＴ２人工神经网络的ＬＴＭ中。对实时采样到的灰度分布进行空间模式匹配程度检验，根据模式分布情况确定出焊缝位置。文中对梯度法检测结果进行了分析和比较，结果表明基于ＡＲＴ２人工神经网络的焊缝位置检测方法具有更强的噪声抑制能力，因而检测结果更准确、可靠。     

基于支持向量机的特征提取方法研究与应用

支持向量机是一种基于结构风险最小化原理的分类技术,已逐渐引起国内外研究者的关注。提出了一种用于最佳特征子集选取的特征筛选算法,且实现了特征与分类识别相关性强度的排序,并通过使用该算法对Ⅱ型糖尿病判别与风险因素筛选,求证了该方法的可靠性和可行性。当以该算法提取的特征子集{腰围、腰围/臀围、舒张血压、年龄}作为输入向量时,敏感度、特异性、准确率最高,分别为0.866 6、0.642 0、0.701 4。同时,还将该算法与主成分分析法进行比较。实验表明,在特征提取方面该算法优于主成分分析法。因此,该算法对分类识别、风险因素筛选是一种有效的方法,为解决该类问题探索了一条有效途径。