导读:本文包含了最小不确定性神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:最小不确定性,贝叶斯概率,粒子群优化,茶味觉信号
最小不确定性神经网络论文文献综述
王岩,周春光,黄艳新,丰小月[1]（2005）在《基于最小不确定性神经网络的茶味觉信号识别》一文中研究指出提出了一种基于最小不确定性神经网络方法的味觉信号识别模型,使用贝叶斯概率理论和粒子群优化算法(PSO),快速而有效地确定网络结构参数,实现了对10种茶味觉信号的识别,实验结果表明了将该模型引入到茶味觉信号识别的可行性和有效性.(本文来源于《计算机研究与发展》期刊2005年01期）
王岩[2]（2004）在《基于最小不确定性神经网络方法茶味觉信号识别的研究》一文中研究指出在机器人研究领域中，机器视觉、听觉、触觉和力觉的研究都取得了相当多的成果，有的已达到实用的水准。机器味觉和嗅觉在食品加工业的企业管理、产品质量的检测、口味和味道的评定等领域有着广泛的应用，但机器味觉和嗅觉研究的进展却一直较为缓慢，因为机器味觉和嗅觉的实现，一方面要求研制出高灵敏度的味觉和嗅觉传感器，另一方面还要求有性能良好的模式识别系统。自20世纪80年代末，日本的许多科学家开始致力于味觉和嗅觉传感器的研究，目前不仅成功提取出“酸、甜、苦、香、咸”五种基本味觉，对于食物和饮料，如：米饭、矿泉水和啤酒等味觉信号的提取和量化也取得了一定的进展。 同时，快速而有效地确定神经网络的结构和参数一直是神经元网络研究的难点，目前解决这一问题的基本思路是从研究的数据中提取知识，然后再利用提取的知识指导神经网络的构建，如模糊神经网络的实现。利用贝叶斯概率理论方法指导神经网络结构及粒子群优化算法(ParticleSwarm Optimization，以下简称PSO)调整神经网络参数，作为两种独立的方法目前都已取得了一些成果。 本文提出了一种新的最小不确定性神经网络模型(Minimal UncertaintyNeural Networks)，该模型基于最小不确定性判决确定神经网络结构。 定理1：设有N维输入向量X={x_1,X_2，…，x_N)，各属性x_1，x_2，…x_N两两相互独立，令P(K)为事件K出现的概率，称π=1-P(y|X)为给定X下对y的不确定性，则有π=multiply from i=1 to N(1-p(y|x_1))。 推论1：当给定分类集Y=(y_1，y_2…，yM)且j∈[1，2，…，M]时，可得给定X下对各类yj的不确定性为：π_j=1-P(y_j|X)=multiply from i=1 to N(1-P(y_j|x_i))。由此，当分类时选择不确定性最小的π_j作为最终判决，定义为最小不确定性判决。 定义最小不确定性神经网络模型(MUNN)为：S_j=logπ_j，β_j=N log P(y+j)，中文摘要 ，1一P(y，lx，，.)、，，、‘.一‘---...一鸟=109(‘蓄兴二)，凡一o，=f(s，)二“xp’，。神经网络结构如图1所示。各 P(为)‘”’一’一’“，，一~『‘刁一“分目‘.，州目“z’‘“’。目层含义如下: [A1层:样本输入层，A为观测值，x，i’为属性x‘的观测值。[B]层:权值选择层，二‘t’EA时，Ot，，=1;否则，Oi，，二0o[C]层:加权计算层，由(l .4)式得到s’。[Dl层:不确定性输出层，由(l .7)或(l .8)式得到呀输出fD7fCI(二，l)(:12)(二2，)(:22fB]r全二se一鉴fAZ!才={…x。，…}，化〔l川 图1:一个简单的二属性输入两类判别的最小不确定性神经网(此处N=2) 结合贝叶斯概率和粒子群优化算法(PSO)对其参数进行训练。 在使用贝叶斯概率训练最小不确定性神经网络时，我们首先进行一个统计过程国:c·工k‘尹，，ci，一艺k‘”吞，·“，，。，，，*一艺k‘·，瓷‘.‘·，易.‘·， r尸产 其中r为输入样本在训练集的位置，与，.(r)代表属性:，(r)的值xti，，劲，(r)代表属性沪的值为，，洲为输入属性的权重，一般取1。于是推导出如下权值及阐值的表达式:鸟二109((ci+a/叹)一(马+a/(伙礼))(C+a))(ci+a/乓)(cj+a/mz)几二N fog马+a/m， C+Ca一般取很小的数，在后面的试验中我们将a设为1/C，使其误差澎1091/CZ幽中文摘要 利用Pso训练时，我们直接将最小不确定性神经网模型中的权值马及闽值几作为粒子的参数，错误分类的数目作为粒子的适应值，利用Pso迭代公式: v(t+l)=Z*(“*v(t)+e.*rand()*(PBest(t)一Present(t)) +e:*rand()*(gBest(t)一Present(t))) 子乍“enr(t+l)=Persent(r)+v(z+1)来训练最小不确定性神经网络以获得尽可能低的错误分类数目。其中v(O是粒子t时刻的速度。尸ersent(t)是粒子t时刻的位置值，PBest(t)和gBest(t)是t时刻粒子的已有个体极值和全局极值。rando是介于【o，l]之间的随机数。cl，c2是学习因子，通常cl=c2=2。得到的粒子最终训练结果解释为几一Nlog纸)和鸟一log(的概率含义即可。上式中参数的设定至今没有严格的理论依据，所有参数都是根据经验设定的。在后面的试验中我们设定厂0.9，萨0·8· 单独使用贝叶斯概率或PSO训练最小不确定性神经网各有优缺点。但二者优缺点具有明显的互补性，且都是针对同一种网络结构—最小不确定性神经网，这为二者的结合提供了先决条件和实施可能。贝叶斯和PSO二者结合训练最小不确定性神经网的过程如下: 首先，由贝叶斯概率确定最小不确定性神经网的一组网络权值和闭值。 其次，由这组权值和闽值初始化PSO中的一个粒子，再随机生成或围绕此粒子生成其它一些粒子。 最后，由PSO方法对这群粒子进行训练，以得到更好的分类结果。 将以上叁种方法应用于10种茶味觉信号四的分类识别中(每种茶各100个样本，共计1000个训练样本)。在信号输入之前我们对二维味觉信号进行了预处理，根据味觉信号各维的特点，我们将其连续值等距划分在11和13个离散区域，以适应最小不确定性神经网络离散(本文来源于《吉林大学》期刊2004-04-01）
最小不确定性神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在机器人研究领域中，机器视觉、听觉、触觉和力觉的研究都取得了相当多的成果，有的已达到实用的水准。机器味觉和嗅觉在食品加工业的企业管理、产品质量的检测、口味和味道的评定等领域有着广泛的应用，但机器味觉和嗅觉研究的进展却一直较为缓慢，因为机器味觉和嗅觉的实现，一方面要求研制出高灵敏度的味觉和嗅觉传感器，另一方面还要求有性能良好的模式识别系统。自20世纪80年代末，日本的许多科学家开始致力于味觉和嗅觉传感器的研究，目前不仅成功提取出“酸、甜、苦、香、咸”五种基本味觉，对于食物和饮料，如：米饭、矿泉水和啤酒等味觉信号的提取和量化也取得了一定的进展。 同时，快速而有效地确定神经网络的结构和参数一直是神经元网络研究的难点，目前解决这一问题的基本思路是从研究的数据中提取知识，然后再利用提取的知识指导神经网络的构建，如模糊神经网络的实现。利用贝叶斯概率理论方法指导神经网络结构及粒子群优化算法(ParticleSwarm Optimization，以下简称PSO)调整神经网络参数，作为两种独立的方法目前都已取得了一些成果。 本文提出了一种新的最小不确定性神经网络模型(Minimal UncertaintyNeural Networks)，该模型基于最小不确定性判决确定神经网络结构。 定理1：设有N维输入向量X={x_1,X_2，…，x_N)，各属性x_1，x_2，…x_N两两相互独立，令P(K)为事件K出现的概率，称π=1-P(y|X)为给定X下对y的不确定性，则有π=multiply from i=1 to N(1-p(y|x_1))。 推论1：当给定分类集Y=(y_1，y_2…，yM)且j∈[1，2，…，M]时，可得给定X下对各类yj的不确定性为：π_j=1-P(y_j|X)=multiply from i=1 to N(1-P(y_j|x_i))。由此，当分类时选择不确定性最小的π_j作为最终判决，定义为最小不确定性判决。 定义最小不确定性神经网络模型(MUNN)为：S_j=logπ_j，β_j=N log P(y+j)，中文摘要 ，1一P(y，lx，，.)、，，、‘.一‘---...一鸟=109(‘蓄兴二)，凡一o，=f(s，)二“xp’，。神经网络结构如图1所示。各 P(为)‘”’一’一’“，，一~『‘刁一“分目‘.，州目“z’‘“’。目层含义如下: [A1层:样本输入层，A为观测值，x，i’为属性x‘的观测值。[B]层:权值选择层，二‘t’EA时，Ot，，=1;否则，Oi，，二0o[C]层:加权计算层，由(l .4)式得到s’。[Dl层:不确定性输出层，由(l .7)或(l .8)式得到呀输出fD7fCI(二，l)(:12)(二2，)(:22fB]r全二se一鉴fAZ!才={…x。，…}，化〔l川 图1:一个简单的二属性输入两类判别的最小不确定性神经网(此处N=2) 结合贝叶斯概率和粒子群优化算法(PSO)对其参数进行训练。 在使用贝叶斯概率训练最小不确定性神经网络时，我们首先进行一个统计过程国:c·工k‘尹，，ci，一艺k‘”吞，·“，，。，，，*一艺k‘·，瓷‘.‘·，易.‘·， r尸产 其中r为输入样本在训练集的位置，与，.(r)代表属性:，(r)的值xti，，劲，(r)代表属性沪的值为，，洲为输入属性的权重，一般取1。于是推导出如下权值及阐值的表达式:鸟二109((ci+a/叹)一(马+a/(伙礼))(C+a))(ci+a/乓)(cj+a/mz)几二N fog马+a/m， C+Ca一般取很小的数，在后面的试验中我们将a设为1/C，使其误差澎1091/CZ幽中文摘要 利用Pso训练时，我们直接将最小不确定性神经网模型中的权值马及闽值几作为粒子的参数，错误分类的数目作为粒子的适应值，利用Pso迭代公式: v(t+l)=Z*(“*v(t)+e.*rand()*(PBest(t)一Present(t)) +e:*rand()*(gBest(t)一Present(t))) 子乍“enr(t+l)=Persent(r)+v(z+1)来训练最小不确定性神经网络以获得尽可能低的错误分类数目。其中v(O是粒子t时刻的速度。尸ersent(t)是粒子t时刻的位置值，PBest(t)和gBest(t)是t时刻粒子的已有个体极值和全局极值。rando是介于【o，l]之间的随机数。cl，c2是学习因子，通常cl=c2=2。得到的粒子最终训练结果解释为几一Nlog纸)和鸟一log(的概率含义即可。上式中参数的设定至今没有严格的理论依据，所有参数都是根据经验设定的。在后面的试验中我们设定厂0.9，萨0·8· 单独使用贝叶斯概率或PSO训练最小不确定性神经网各有优缺点。但二者优缺点具有明显的互补性，且都是针对同一种网络结构—最小不确定性神经网，这为二者的结合提供了先决条件和实施可能。贝叶斯和PSO二者结合训练最小不确定性神经网的过程如下: 首先，由贝叶斯概率确定最小不确定性神经网的一组网络权值和闭值。 其次，由这组权值和闽值初始化PSO中的一个粒子，再随机生成或围绕此粒子生成其它一些粒子。 最后，由PSO方法对这群粒子进行训练，以得到更好的分类结果。 将以上叁种方法应用于10种茶味觉信号四的分类识别中(每种茶各100个样本，共计1000个训练样本)。在信号输入之前我们对二维味觉信号进行了预处理，根据味觉信号各维的特点，我们将其连续值等距划分在11和13个离散区域，以适应最小不确定性神经网络离散
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
最小不确定性神经网络论文参考文献
[1].王岩,周春光,黄艳新,丰小月.基于最小不确定性神经网络的茶味觉信号识别[J].计算机研究与发展.2005
[2].王岩.基于最小不确定性神经网络方法茶味觉信号识别的研究[D].吉林大学.2004