基于迭代神經(jīng)網(wǎng)絡的復雜結構模式的分類方法研究.pdf

1、隨著模式識別、人工智能和機器學習等領域研究的不斷深入，傳統(tǒng)的基于模式特征向量和距離、類似度等測量的統(tǒng)計分類和識別方法已經(jīng)不能有效解決一些復雜問題的分類和識別。研究表明，越來越多的模式分類和機器學習處理的對象由無結構域中的高維特征向量向結構域中的樹型或圖型結構特征向量轉變。結構域中研究的主體是具有復雜數(shù)據(jù)關系的子模式數(shù)據(jù)，通過對子模式的分類和識別，達到對整個復雜模式分類和識別的目的。 本文對能夠處理結構數(shù)據(jù)的有監(jiān)督的迭代神經(jīng)網(wǎng)絡和

2、無監(jiān)督的迭代神經(jīng)網(wǎng)絡進行了較深入的研究。迭代神經(jīng)網(wǎng)絡的研究以普通神經(jīng)網(wǎng)絡的研究為基礎，在研究順序上，一般先研究普通神經(jīng)網(wǎng)絡，再把研究深入到迭代神經(jīng)網(wǎng)絡上來，在本文的敘述上，也按照同樣的順序。在前向神經(jīng)網(wǎng)絡上，分別對BP算法、LMBP算法和粒子群算法的學習性能進行了對比：以此為基礎，在有監(jiān)督的迭代神經(jīng)網(wǎng)絡上，討論了BPTS訓練算法及其改進算法，同時將在前向神經(jīng)網(wǎng)絡訓練中表現(xiàn)最好的粒子群算法應用于有監(jiān)督的迭代神經(jīng)網(wǎng)絡訓練，得出了一些有益的結

3、論；在自組織映射神經(jīng)網(wǎng)絡上，分別討論了生長自組織映射和無參數(shù)自組織映射，在此基礎上，提出了無參數(shù)生長白組織映射；在無監(jiān)督的迭代神經(jīng)網(wǎng)絡上，把基本自組織映射、生長自組織映射、無參數(shù)自組織映射和無參數(shù)生長自組織映射推廣到結構域，并進行了實驗對比。 本文的主要貢獻概括如下： 1．提出了基于“Global Best”算子的粒子群算法，在訓練前向神經(jīng)網(wǎng)絡時，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。結合粒子群算法在進行函

4、數(shù)優(yōu)化時的經(jīng)驗，提出了廣義粒子群算法，廣義粒子群算法對于如何把粒子群算法應用于其它領域做出了理論性的建議。將在前向神經(jīng)網(wǎng)絡訓練中表現(xiàn)最好的粒子群算法應用于有監(jiān)督的迭代神經(jīng)網(wǎng)絡訓練，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)絡快速學習算法。 2．傳統(tǒng)自組織映射模型網(wǎng)絡結構固定，訓練過程中退火參數(shù)的確定是個麻煩的過程。在前人研究的基礎上，本文提出了無參數(shù)生長白組織映射融合模型，該模型很好的解決了上述兩個問題，同時也給出了無參數(shù)自