学位论文 > 优秀研究生学位论文题录展示

一种改进的人工神经网络模型

作　者: 代小娟
导　师: 林小竹
学　校: 北京化工大学
专　业: 控制科学与工程
关键词: 人工神经网络自组织特征映射神经网络自适应共振理论记忆-遗忘机制
分类号: TP183
类　型: 硕士论文
年　份: 2010年
下　载: 263次
引　用: 1次
阅　读: 论文下载

内容摘要

人工神经网络的研究与对人脑结构的认识和研究有着密切的关系。通过人工神经网络来模拟人脑学习、认知和记忆等方面的研究受到越来越多的重视。本文在相关研究的基础上构建了一种模式神经元网络模型。该网络通过引入粗分类准则、记忆-遗忘机制和记忆周期机制来实现对人脑学习、认知和记忆过程的充分模拟。该网络的结构可以动态改变,具有自学习、自组织、自适应的特点。模式神经元网络可以实现多级分类和快速识别,可以用来解决机器视觉识别和模式识别分类等方面的相关问题。本文的主要研究工作如下：(1)实现了SOM和ART1两种无监督学习网络算法,并通过实验仿真,分析了两种网络中存在的问题。针对ART1容易受到样本顺序影响的问题,提出了一种改进算法,并进行了设计和实现。该改进算法利用“同或”思想进行匹配度的计算,提高了网络识别准确度。在二值汉字的识别分类实验中,该改进算法减小了输入样本顺序的敏感性,有更好的分类效果。(2)构建了一种模式神经元网络模型,来解决SOM和ART网络中存在的缺陷。模式神经元网络通过设定两个警戒参数,同时实现模式的细分类和粗分类,克服了SOM和ART1网络只能实现一级分类的缺点；该网络通过警戒参数对样本向量和权值向量之间的匹配度进行过滤,避免了SOM对样本迭代训练过程；该网络利用同或思想计算匹配度,提高了识别分类的准确度；该网络的输出神经元数目随着模式的增加而动态增长,克服了SOM网络中输出结构固定的缺陷。并通过实验仿真对三种网络进行了对比验证。(3)优化了模式神经元网络的结构和算法,使该网络能够更好地模拟人脑认知机理。在结构上引入了人脑的“记忆遗忘”机制,针对不同规模的样本集将网络分成两个工作方式,提高了网络的识别速度；提供不同的粗分类准则,增强了网络的灵活性和实用性。在算法上,模式匹配阶段避免了与所有模式的匹配度计算,减少了网络的计算量；网络在识别分类中对小样本量减少了计算复杂度,对大样本量减少了匹配计算量。并通过实验仿真,与SOM、ART1和改进前的PNN网络进行了对比分析。在实验中,该网络对小样本量的识别速度是ART1的1.95倍,是SOM的58.13倍,是改进前PNN网络的1.55倍；对大样本量的识别速度是ART1的1.92倍,是SOM的64.75倍,是改进前PNN网络的2.48倍。

全文目录

学位论文数据集  4-5
摘要  5-7
ABSTRACT  7-14
第一章绪论  14-20
  1.1 ANN发展的历史及现状  14-16
  1.2 课题研究背景及意义  16-17
  1.3 本文的贡献及内容组织  17-20
    1.3.1 本文的贡献  17-18
    1.3.2 本文组织  18-20
第二章 SOM和ART1网络工作原理  20-30
  2.1 SOM网络  20-24
    2.1.1 SOM网络的结构描述  21
    2.1.2 SOM网络的工作原理  21-24
    2.1.3 SOM网络的优缺点  24
  2.2 ART1网络  24-29
    2.2.1 ART1网络的结构描述  25-27
    2.2.2 ART1网络的工作原理  27-28
    2.2.3 ART1网络的优缺点  28-29
  2.3 本章小结  29-30
第三章 SOM和ART1算法验证及分析  30-42
  3.1 SOM算法的实验仿真  30-34
    3.1.1 SOM算法实现  30-31
    3.1.2 实验仿真  31-34
    3.1.3 结果分析  34
  3.2 ART1算法的实验仿真  34-38
    3.2.1 ART1算法实现  34-36
    3.2.2 实验仿真  36-37
    3.2.3 结果分析  37-38
  3.3 ART1改进算法  38-40
    3.3.1 改进策略  38-39
    3.3.2 实验仿真  39
    3.3.3 结果分析  39-40
  3.4 本章小结  40-42
第四章模式神经元网络模型的设计与实现  42-54
  4.1 PNBANN网络的思想  42-44
  4.2 PNN网络的理论模型  44-48
    4.2.1 PNN网络基本结构  44-45
    4.2.2 PNN网络工作原理  45-46
    4.2.3 PNN与SOM、ART1网络的区别  46-47
    4.2.4 PNN网络的特点  47-48
  4.3 PNN网络算法实验仿真  48-53
    4.3.1 PNN网络算法实现  48-50
    4.3.2 实验仿真  50-51
    4.3.3 结果分析  51
    4.3.4 PNN、SOM、ART1实验对比分析  51-53
  4.4 本章小结  53-54
第五章模式神经元网络的改进算法  54-68
  5.1 记忆-遗忘曲线及其原理  54-55
  5.2 改进后的PNN网络  55-59
    5.2.1 改进后的PNN网络的结构图  55-57
    5.2.2 改进后的PNN网络的基本原理  57-58
    5.2.3 PNN网络的改进之处  58-59
  5.3 改进后的PNN网络算法实验仿真  59-65
    5.3.1 改进后的PNN网络算法实现  59-61
    5.3.2 实验仿真  61-64
    5.3.3 结果分析  64-65
    5.3.4 PNN网络的优化效果  65
  5.5 本章小结  65-68
第六章总结及展望  68-70
  6.1 总结  68
  6.2 展望  68-70
参考文献  70-72
致谢  72-74
研究成果及发表的学术论文  74-76
作者及导师简介  76-77
北京化工大学硕士研究生学位论文答辩委员会决议书  77-78

一种改进的人工神经网络模型

内容摘要

全文目录

相似论文