連續(xù)感知器學習算法的有限收斂性及連續(xù)距離轉換神經(jīng)網(wǎng)絡.pdf

1、前饋神經(jīng)網(wǎng)絡(單、多層感知器)已經(jīng)成為應用最廣泛的神經(jīng)網(wǎng)絡模型之一.當前神經(jīng)網(wǎng)絡的一個熱點問題就是研究神經(jīng)網(wǎng)絡學習算法的理論基礎,特別是學習算法的收斂性證明.在本文中,我們給出了連續(xù)單層感知器的在線梯度算法對線性可分樣本的有限收斂性證明,并且把這種方法推廣到多層感知器中,證明了相似假設條件下多層感知器在線BP神經(jīng)網(wǎng)絡的有限收斂性.本文的另一項工作是關于連續(xù)距離轉換神經(jīng)網(wǎng)絡用于目標匹配的內(nèi)容.目標匹配是數(shù)字圖像識別的一個重要課題.我們試圖

2、利用連續(xù)距離轉換神經(jīng)網(wǎng)絡(Continuous Distance Transform Neural Networks,CDTNN)更有效地解決這一問題.CDTNN是用于描述二維圖像邊界的神經(jīng)網(wǎng)絡表示方法.這種方法在物體表示和不變識別方面有很好的應用.我們的研究表明,在圖像的目標匹配中,CDTNN也是生成距離圖的一個很有效的方法.依據(jù)CDTNN生成的距離圖相對于其它離散方法得到的距離圖的一些顯著優(yōu)點,我們將CDTNN與多分辨率圖像搜索方法