基于诱导向量的CC4神经网络行为研究

角分类前向神经网络CC4可以快速对文本数据进行分类处理.本文在定义二值向量的诱导向量的基础上,给出CC4神经网络隐层、输出层的权矩阵构造方法的诱导向量分析,并给出CC4神经网络隐层输出的基本原理、基于泛化距离的隐层权矩阵构造方法的几何解释,以及输出层权矩阵构造的约束条件;揭示了角分类神经网络学习、工作的基本原理.本文为基于实向量输入的快速角分类神经网络的设计提供了借鉴及必要的理论基础.     

一种混合结构前向神经网络的快速学习算法

本文构造了一种新的基于线性模型、多层前向网络的混合结构神经网络模型,并提出了相应的非迭代快速学习算法.该学习算法能够根据拟合精度要求,运用线性最小二乘法确定相应的最佳网络权值和线性部分的参数,并自动确定最佳的隐层节点数.与BP网络的比较结果表明,本文提出的混合结构前向神经网络的快速学习算法无论在拟合精度、学习速度、泛化能力、还是隐节点数均显著好于BP算法.     

遗传算法及其在训练前向神经网络中的应用

本文论述了遗传算法的基本原理，操作及算式，并以一个识别部分英文字母的多层前向神经网络为例，给出了用遗传算法训练网络优化网络权值的方法和步骤，实验结果表明了这一方法的有效性。     

基于模糊角分类的神经网络用户兴趣模型分类算法

用户兴趣描述文件的快速分类是个性化搜索引擎的关键技术,提出了一种模糊角分类神经网络模型,该模型能接受用户兴趣描述文件的实向量输入,克服了角分类神经网络（CC4）对二进制输入的要求。模糊角分类神经网络模型根据用户信息所落入的k最近邻的样本泛化空间来进行分类,随着k值的增大,其分类效果趋近于贝叶斯分类算法。     

模糊系统与前向神经网络的结合

1 引言模糊系统方法和神经网络技术是近年来计算智能领域研究热点,被广泛地应用于复杂系统、非确定性等难于建立比较准确的数学模型的问题,并在自动控制、计算机图像处理、语音识别、手写体识别等领域有重要应用。模糊系统与神经网络的结合也越来越受到人们的重视。模糊系统和神经网络的结合可以分为模糊系统与前向网络的结合和与反馈网络的结合两类。模糊系统与反馈网络的结合主要有模糊联想记忆、模糊     

一种前向神经网络快速学习算法及其在系统辨识中的应用

提出一种基于最小二乘的前向神经网络快速学习算法.与现有同类算法相比,该算法无需任何矩阵求逆,计算量小,较适于需快速学习的系统辨识和其他应用.文中推导了算法,并给出一种更为简便的局部化算法.系统辨识的仿真实例表明了算法的优良性能.     

基于前向神经网络和Hopfield反馈神经网络的边界检测法

提出了一种新的基于前向神经网络和ｏｐｆｉｅｌｄ反馈神经网络的边界检测法,它分别探测每个象素点是否为边界点,便于实现边界检测的并行运算。首先讨论了两层前向神经网络来增强的编码被检测象素点邻域的信息,然后利用增强和编码后的邻域图象作为Ｈｏｐｆｉｅｌｄ反馈神经网络的输入,Ｈｏｐｆｉｅｌｄ神经网络收敛时得到图象边界点。这种新的神经网络边界检测法所需的计算量比传统的Ｈｏｐｆｉｅｌｄ网络边界检测法少得多,并增     

利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略，文中尝试将人工鱼群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明AFSA具有鲁棒性强，全局收敛性好，以及对初值的不敏感性等特点。     

多层前向人工神经网络图像分类算法

传统人工神经网络的输入均为向量形式,而图像由矩阵形式表示,因此,在用人工神经网络进行图像处理时,图像将以向量形式输入至神经网络,这破坏了图像的结构信息,从而影响了图像处理的效果。为了提高网络对图像的处理能力,文中借鉴了深度学习的思想与方法,引进了具有矩阵输入的多层前向神经网络。同时,采用传统的反向传播训练算法(BP)训练该网络,给出了训练过程与训练算法,并在USPS手写数字数据集上进行了数值实验。实验结果表明,相对于单隐层矩阵输入前向神经网络(2D-BP),所提多层网络具有较好的分类效果。此外,对于彩色图片分类问题,利用所提出的2D-BP网络,给出了一个有效的可行方法。     

多层前向神经网络的快速学习算法及其应用

针对目前多层前向神经网络学习算法存在的不足,提出一种多层前向神经网络的快速学习算法,它不仅符合生物神经网络的基本特征,而且算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性.以二杆机械手逆运动学建模作为应用实例,仿真结果表明该方法是有效的,其算法与收敛速度更优于BP网络.     

基于扩展角分类神经网络的文档分类方法

CC4神经网络是一种三层前馈网络的新型角分类(corner classification)训练算法,原用于元搜索引擎Anvish的文档分类.当各文档之间的规模接近时,CC4神经网络有较好的分类效果.然而当文档之间规模差别较大时,其分类性能较差.针对这一问题,本文意图扩展原始CC4神经网络,达到对文档有效分类的效果.为此,提出了一种基于MDS-NN的数据索引方法,将每一文档映射至k维空间数据点,并尽可能多地保持原始文档之间的距离信息.其次,通过将索引信息变换为CC4神经网络接受的0,1序列,实现对CC4神经网络的扩展,使其能够接受索引信息作为输入.实验结果表明对相互之间规模差别较大的文档,扩展CC4神经网络的性能优于原始CC4神经网络的性能.同时,扩展CC4神经网络的分类精度与文档索引方法有密切关系.     

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。     

用于模式分类的动态有指导前向传播网络

以改进的仅前向型对传网络(CPN)为基础,研究一种用于模式分类的神经网络——动态有指导前向传播网络(DSFPN)。其隐层用修正的第2种学习矢量量化算法,以增量训练策略,进行有指导训练。在训练过程中,根据适合度产生新的隐层神经元,使隐层动态增长。Cone-Torus平面点分类和非特定人孤立数字语音识别的实验结果表明了DSFPN的优越性能,其训练时间比多层感知器少2个数量级,训练速度比改进的CPN更快,最好测试正确率分别达92.25%和98.7%,高于另外2种神经网络。     

基于Matlab和BP神经网络的角点检测方法研究

角点检测在图像匹配、形状描述、边缘检测中具有重要作用。鉴于神经网络所具有的自组织、自学习和分布式存储信息的特点,提出了一种基于神经网络的角点检测方法,利用Matlab神经网络工具箱建立角点检测模型,检测图像中的角点。实验证明,神经网络为计算机视觉中的角点检测提供了一个很好的工具。     

基于Elman神经网络的Stewart平台位姿正解

Stewart平台广泛应用于运动模拟器、光学、精密定位等领域,然而由于复杂的多元非线性使得位姿正解难以准确得到.针对Stewart平台的位姿正解问题,常规的方法比如迭代法和数值法存在初始值难以选取、计算速度较慢等问题,提出了基于Elman神经网络的位姿正解方法.首先建立Stewart平台支腿长度与平台位姿的运动学模型,然后利用Elman神经网络来实现位姿正解的求解并实验验证.该方法具有良好的动态特性,精度高,能够快速准确的实现Stewart平台位姿正解的求解.实验证明了该方法的有效性.     

基于神经网络的文本分类方法研究

海量文本分析是实现大数据理解和价值发现的重要手段,其中文本分类作为自然语言处理的经典问题受到研究者广泛关注,而人工神经网络在文本分析方面的优异表现使其成为目前的主要研究方向。在此背景下,介绍卷积神经网络、时间递归神经网络、结构递归神经网络和预训练模型等主流方法在文本分类中应用的发展历程,比较不同模型基于常用数据集的分类效果,表明利用人工神经网络结构自动获取文本特征,可避免繁杂的人工特征工程,使文本分类效果得到提升。在此基础上,对未来文本分类的研究方向进行展望。     

基于轻量化卷积神经网络的服装分类方法

考虑到电商平台的日益发展,使用人工分类的方式对服装进行分类无法满足目前的需求.本文从实际的应用场景出发,针对于服装图像进行分类时会受到背景因素干扰、服装图像关键部位信息以及算法模型运行的的硬件要求三个方面,分别进行改进设计.提出：1）消除背景的干扰;2）图像局部信息的利用;3）模型的轻量化处理.最终得到了在满足准确性的前提下,可以在普通低配置PC端进行运行的算法模型,提升了工作效率,同时节省了成本.     

基于前向神经网络的交互式图像检索系统

相关反馈技术是近年来基于内容图像检索中的研究重点,它有效地缩短了用户的高层语义概念同图像的底层视觉特征之间的差距,从而大大提高了系统的检索精度.本文对比了前向神经网络中的BP、FP和RBF三种网络学习算法;并在此基础上从机器学习的角度出发,分析了在图像检索中基于这三种网络的不同相关反馈技术.最后对今后的研究方向进行了展望.