版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著模式識(shí)別、人工智能和機(jī)器學(xué)習(xí)等領(lǐng)域研究的不斷深入,傳統(tǒng)的基于模式特征向量和距離、類似度等測(cè)量的統(tǒng)計(jì)分類和識(shí)別方法已經(jīng)不能有效解決一些復(fù)雜問題的分類和識(shí)別。研究表明,越來越多的模式分類和機(jī)器學(xué)習(xí)處理的對(duì)象由無結(jié)構(gòu)域中的高維特征向量向結(jié)構(gòu)域中的樹型或圖型結(jié)構(gòu)特征向量轉(zhuǎn)變。結(jié)構(gòu)域中研究的主體是具有復(fù)雜數(shù)據(jù)關(guān)系的子模式數(shù)據(jù),通過對(duì)子模式的分類和識(shí)別,達(dá)到對(duì)整個(gè)復(fù)雜模式分類和識(shí)別的目的。 本文對(duì)能夠處理結(jié)構(gòu)數(shù)據(jù)的有監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)和
2、無監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)進(jìn)行了較深入的研究。迭代神經(jīng)網(wǎng)絡(luò)的研究以普通神經(jīng)網(wǎng)絡(luò)的研究為基礎(chǔ),在研究順序上,一般先研究普通神經(jīng)網(wǎng)絡(luò),再把研究深入到迭代神經(jīng)網(wǎng)絡(luò)上來,在本文的敘述上,也按照同樣的順序。在前向神經(jīng)網(wǎng)絡(luò)上,分別對(duì)BP算法、LMBP算法和粒子群算法的學(xué)習(xí)性能進(jìn)行了對(duì)比:以此為基礎(chǔ),在有監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)上,討論了BPTS訓(xùn)練算法及其改進(jìn)算法,同時(shí)將在前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練中表現(xiàn)最好的粒子群算法應(yīng)用于有監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)訓(xùn)練,得出了一些有益的結(jié)
3、論;在自組織映射神經(jīng)網(wǎng)絡(luò)上,分別討論了生長(zhǎng)自組織映射和無參數(shù)自組織映射,在此基礎(chǔ)上,提出了無參數(shù)生長(zhǎng)白組織映射;在無監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)上,把基本自組織映射、生長(zhǎng)自組織映射、無參數(shù)自組織映射和無參數(shù)生長(zhǎng)自組織映射推廣到結(jié)構(gòu)域,并進(jìn)行了實(shí)驗(yàn)對(duì)比。 本文的主要貢獻(xiàn)概括如下: 1.提出了基于“Global Best”算子的粒子群算法,在訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)時(shí),相比于現(xiàn)有的粒子群算法,該類算法擁有最快的收斂速度。結(jié)合粒子群算法在進(jìn)行函
4、數(shù)優(yōu)化時(shí)的經(jīng)驗(yàn),提出了廣義粒子群算法,廣義粒子群算法對(duì)于如何把粒子群算法應(yīng)用于其它領(lǐng)域做出了理論性的建議。將在前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練中表現(xiàn)最好的粒子群算法應(yīng)用于有監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)訓(xùn)練,提出了一種基于粒子群算法的有監(jiān)督的迭代神經(jīng)網(wǎng)絡(luò)快速學(xué)習(xí)算法。 2.傳統(tǒng)自組織映射模型網(wǎng)絡(luò)結(jié)構(gòu)固定,訓(xùn)練過程中退火參數(shù)的確定是個(gè)麻煩的過程。在前人研究的基礎(chǔ)上,本文提出了無參數(shù)生長(zhǎng)白組織映射融合模型,該模型很好的解決了上述兩個(gè)問題,同時(shí)也給出了無參數(shù)自
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究.pdf
- 基于最優(yōu)分類面的神經(jīng)網(wǎng)絡(luò)模式分類方法及其應(yīng)用.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的遙感影像模式分類研究.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的場(chǎng)景分類方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的EEG信號(hào)分類方法研究.pdf
- 循環(huán)神經(jīng)網(wǎng)絡(luò)門結(jié)構(gòu)模型研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷檢測(cè)方法研究.pdf
- 基于BP神經(jīng)網(wǎng)絡(luò)的腫瘤數(shù)據(jù)分類方法研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)模型的遙感圖像分類方法研究.pdf
- 基于BP神經(jīng)網(wǎng)絡(luò)遙感圖像特征分類方法的研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類研究.pdf
- 基于BP神經(jīng)網(wǎng)絡(luò)的虹膜圖像質(zhì)量分類方法的研究.pdf
- 基于BP神經(jīng)網(wǎng)絡(luò)和SVM的信號(hào)分類方法的研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)方法的衛(wèi)星圖像云分類.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的多響應(yīng)復(fù)雜過程參數(shù)優(yōu)化方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的溢油影像分類研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的郵件分類識(shí)別研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷檢測(cè)方法的研究.pdf
評(píng)論
0/150
提交評(píng)論