基于迭代神經(jīng)網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)模式的分類(lèi)方法研究.pdf

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(lèi)似度等測(cè)量的統(tǒng)計(jì)分類(lèi)和識(shí)別方法已經(jīng)不能有效解決一些復(fù)雜問(wèn)題的分類(lèi)和識(shí)別。研究表明，越來(lái)越多的模式分類(lèi)和機(jī)器學(xué)習(xí)處理的對(duì)象由無(wú)結(jié)構(gòu)域中的高維特征向量向結(jié)構(gòu)域中的樹(shù)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(guò)對(duì)子模式的分類(lèi)和識(shí)別，達(dá)到對(duì)整個(gè)復(fù)雜模式分類(lèi)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(wú)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(lái)，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(wú)參數(shù)自組織映射，在此基礎(chǔ)上，提出了無(wú)參數(shù)生長(zhǎng)白組織映射；在無(wú)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(wú)參數(shù)自組織映射和無(wú)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(lèi)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(guò)程中退火參數(shù)的確定是個(gè)麻煩的過(guò)程。在前人研究的基礎(chǔ)上，本文提出了無(wú)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(wèn)題，同時(shí)也給出了無(wú)參數(shù)自