連分式權函數(shù)神經(jīng)網(wǎng)絡研究及其在紋理分類中的應用.pdf

1、經(jīng)過半個多世紀的發(fā)展，神經(jīng)網(wǎng)絡理論的研究已經(jīng)取得了很大的成就。然而，傳統(tǒng)神經(jīng)網(wǎng)絡學習算法（如Bp算法、RBF 算法）存在訓練權值難以反映訓練樣本信息的缺陷，且在實際的應用中，傳統(tǒng)的神經(jīng)網(wǎng)絡模型難以確定。基于這些考慮，南京郵電大學的張代遠教授經(jīng)過大量的理論研究，提出了一種全新的神經(jīng)網(wǎng)絡訓練方式——樣條權函數(shù)神經(jīng)網(wǎng)絡訓練算法[1][2]。該訓練算法解決了傳統(tǒng)神經(jīng)網(wǎng)絡（如BP、RBF）局部極小、收斂速度慢、初值相關的缺陷。理論及實驗已經(jīng)證明樣

2、條權函數(shù)神經(jīng)網(wǎng)絡具有良好的網(wǎng)絡性能。
　　 本文在張代遠教授研究的基礎上，對樣條權函數(shù)神經(jīng)網(wǎng)絡理論進行了拓展，給出了一種連分式權函數(shù)神經(jīng)網(wǎng)絡訓練算法。首先利用倒差商-連分式方法，構造了以連分式函數(shù)作為權函數(shù)的新型人工神經(jīng)網(wǎng)絡-連分式權函數(shù)神經(jīng)網(wǎng)絡；接著結合連分式權函數(shù)神經(jīng)網(wǎng)絡的模型對網(wǎng)絡收斂速度和誤差進行分析；最后，通過仿真實驗，在均方差和運算速度方面與傳統(tǒng)BP、RBF 神經(jīng)網(wǎng)絡算法的給予了對比分析，實驗驗證了連分式權函數(shù)神經(jīng)網(wǎng)