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
|
相似论文
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 基于遗传算法优化的BP网络对生物柴油制备工艺的优化,TE667
- 兖州矿区植物波谱变异与重金属胁迫特征研究,X173
- 企业安全效益评价及发展对策研究,F272;F224.5
- 酮类化合物的3D-QSPR研究,O641
- 神经元MOS管在神经网络中的应用研究,TP183
- 基于神经网络盲均衡优化算法的研究,TN911.7
- 产品功能疲劳对客户资产的影响研究,F224
- 烟煤掺烧印尼煤的动力配煤模型研究,TK227.1
- 一种在深度结构中学习原型的分类方法,TP18
- 面向电力营销服务的客户身份自动识别系统设计,TP391.41
- 浆体管道输送系统的过程监控与故障诊断,F426.1
- 考虑光伏发电的短期负荷预测,TM715
- 直升机主减速器故障诊断与故障预测技术研究,V267
- 基于DM642的红外运动目标检测与跟踪技术实现,TP391.41
- 人工神经网络在母线保护中的应用,TP183
- 浙商企业经营风险预警评价指标体系研究,F279.27
- 基于RPROP人工神经网络对验证码识别的研究与实现,TP393.08
- 基于视觉特性及人工神经网络的图像压缩,TP391.41
- 人工神经网络在物探方法预测含水层含水量中的应用,P641.7
- 基于GIS的贵州省滑坡地质灾害易发性多模型综合评价,P642.22
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com
|