一种改进的ART型神经网络学习算法

指出常规ARTI型神经网络的不足，提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值，避免了ARTI网络中两个向量由于输入顺序的不同而得到不同的相似度的结果；针对ARTI网络模式识别的漂移问题，提出了少数服从多数原则来减少这种问题的出现。改进了ARTI型神经网络的应用效果。     

一种改进的ART型神经网络学习算法

指出常规ART1型神经网络的不足,提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值,避免了ART1网络中两个向量由于输入顺序的不同而得到不同的相似度的结果;针对ART1网络模式识别的漂移问题,提出了少数服从多数原则来减少这种问题的出现。改进了ART1型神经网络的应用效果。     

神经网络用于多模式分类

本文叙述一种改进型HAMMING网在印刷汉字文本识别实用系统中作为粗分类的应用.给出了以3755印刷汉字为多模式分类对象的神经网络分类器的结构及其相应的算法.该方法在微型机上用软件仿真得以实现.取得令人满意的结果.     

基于神经网络的模式分类方法的研究

利用神经网络进行模式分类时,可采用有导师分类方法,也可进行无导师的聚类方法,该文分析比较几种可用于模式分类神经网络的特征和各自的优缺点,提出在特定的情况下可选用特定的神经网络进行分类,也可根据实际情况进行综合。     

时序模式的一种神经网络分类方法

时序模式是指其特征空间分布在时间轴上的一种模式，如语音信号，雷达信号等，文中提出了一种改进的递归神经网方法－时间标签递归神经网方法，以此来对时序模式进行分类，克服了传统方法的缺点，取得了较好的分类效果，初步的实验结果不仅证明了时间标签递归神经网方法对时序模式的很好的分类能力，而且证明了时间标签对于时序模式分类的重要性。     

用于高光谱遥感图象分类的一种高阶神经网络算法

ＢＰ神经网络近年来广泛地应用于图象分类,但是它也有多层感知器神经网络的通病,即隐含层及其节点数问题,局部最小问题、训练速度问题等,为了从根本上解决这些问题,该文提出了一种高阶神经网络分类算法,这种高阶神经网络没有隐含层,从而也就没了隐含层及其节点数的问题;它的模式划分界面是 一性的,从根本上解决了局部最小问题;同时它的训练速度更快,分类精度更高,该文详细介绍了这种高阶神经网络的构造、学习方法、工分     

基于最优分类面的神经网络模式分类方法

用一组训练样本对神经网络进行训练后，网络对训练阶段未曾见过的样本也能正确分类。但传统的神经网络模式分类方法泛化能力不十分理想，而且不稳定。对同一个分类任务，训练样本改变，分类器泛化能力的大小也会改变。该文提出一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面，提高网络的泛化能力，增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力，取得了令人满意的结果。     

用于遥感图像分类的一种高阶神经网络的改进算法

BP网络的分类方法被广泛应用于遥感图像分类,但它存在局部最小、隐含层节点数及训练速度等问题。高阶神经网络从一定意义上克服了这些缺点,取得了比较好的分类效果,但也存在特征维数受限、在特征数增多时收敛速度慢等问题。本文提出了对高阶神经网络算法的改进,将高阶神经网络作进一步扩展,使其特征数的局限减小,并结合自适应方法,使分类细化,且速度不会影响太大。本文简单介绍了高阶神经网络和不同BP网络各自的特点;讨论了高阶神经网络的优点以及由此带来的局限性;详细描述了改进后的算法,包括新算法的流程图,分类方法,并提出对原有的学习方法速度的提高办法;最后分析这种算法与高阶神经网络相比的优势和灵活性。     

一种基于强化学习的ART2神经网络——RL-ART2

提出一种基于强化学习的ART2神经网络(RL-ART2),使其利用强化学习的特性通过与环境交互而无需训练样本即可进行在线学习,同时给出该神经网络的学习算法.当ART2神经网络运行时,通过内部竞争学习得到输出的分类模式,随后通过与环境交互得到神经网络分类模式的运行效果并对其进行评价.通过这种不断与环境的交互学习,当经过在线学习足够的时间和次数后,ART2神经网络即具有相当的识别率.移动机器人路径规划仿真实验表明,使用RL-ART2后与未使用前相比大大减少了机器人与障碍物的碰撞次数,实践证明该方法的合理性和有效性.     

一种ART2神经网络的改进算法

传统的ART2神经网络由于预处理阶段的归一化，易将重要但幅值较小的分量作为噪声清除，造成在分类中丢失重要信息，同时还存在模式漂移的不足，分析产生这些不足的原因，并基于去单位化以及类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想，对传统的ART2神经网络算法进行了改进。对一组渐变数据的测试表明，改进后的网络有效改善了模式漂移现象。同时，改进的ART2神经网络在核辐射场数据处理分类中有一定的实用价值。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

一个自生成的神经树网络模式分类器

本文研究一种神经树网络（ＮＴＮ，ＮｅｕｒａｌＴｒｅｅＮｅｔｗｏｒｋ）模型，提出一种能自动生成其体系结构的有监督的竞争学习算法，指出该模型能解决复杂的多类模式分类问题．模拟数字例子——手写体数码识别的结果也表明该分类器是有效的．     

基于ART2-PNN神经网络的网络入侵检测方法

自适应共振理论能够动态地对输入向量进行聚类,概率神经网络使用联合概率密度分布进行分类估计.给出将两者结合使用的算法,并应用到入侵检测中.测试表明,概率神经网络的函数逼近能力和网络性能得到提高,入侵检测系统的漏报率和误报率明显下降.     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

广义神经网络系统与广义BP算法

本文在传统的神经网络理论基础上,将传统的神经元拓广为广义神经元,描述了以广义神经元为基础的广义神经网络系统的组成原理,提出了适应于广义神经网络系统的一种广义BP算法。并给出了该算法的数学推导,最后简要地介绍了广义神经网络系统原理在汉字识别中的应用。     

应用自组织神经网络客观评定织物折皱等级

本文采用Kohonen自组织神经网络客观评定织物折皱等级,首先介绍自组织神经网络的基本算法,再结合自组织神经网络结构实现神经元的竞争和训练,并将结果输出到相应的分类模式中,以此确定试样的折皱等级,最后采用26种真实织物验证该方法的可行性。     

基于模糊神经网络模型的配送中心选址综合评价

物流配送中心的选址在整个物流系统规划中占有十分重要的地位.建立了配送中心选址的模糊神经网络模型,并以专家评价值作为期望的输出,对网络进行训练,对多个配送中心选址方案进行评价, 结果与实际吻合.     

优化神经网络结构

本文综述了构造优化神经网络结构的一些方法，并对这些方法进行了分类，最后提出了存在的问题和进一步的工作。