神经网络在一类数据样本分类中的应用研究

论文摘要

使用神经网络进行模式识别是目前发展的一个趋势,本文对神经网络在一类数据样本中的分类进行了研究,主要以建筑材料成分识别为例,验证了神经网络（ANN）应用于建筑材料系统模式识别的有效性。本文使用了改进的RBF（Radial Basis Function）神经网络模型,完成了对神经网络方法的改进分析,并成功的进行了模式识别。 由于数据分类的复杂性,使用目前的分类方法如统计模式识别法、结构模式识别法、神经网络法等都存在着一定的缺点,本文通过对神经网络的分析,采用改进的神经网络模型来进行数据样本分类分析。首先根据RBF神经网络的特点,使用了一种改进的四层RBF神经网络模型,该模型改进了网络的输入表示方式,减少了网络的参数,并根据样本的类型确定其训练方式,加快了网络的训练过程,取得了很好的效果。随后本文根据模式识别分类时所具有的特点,使用区域映射误差方法,并以此方法为基础,结合资源分配网络（Resource Allocating Network）中添加节点的“新性”条件建立区域映射动态RBF网络训练算法。首先以二分类样本为例,证明了该算法在数据样本分类中的有效性。接着以建筑材料中CaO-Al2O3-SiO2系统为例,对材料成分识别领域进行仿真,结果表明,与传统的RBF网络相比,该改进的算法明显的抑制了过大误差,使误差下降更快,减少了训练次数,同时训练结束后可以获得精简的网络结构,从而具有较高的泛化能力。因此可以得出,在数据样本分类领域,改进的神经网络算法会为其研究提供一种有效的途径。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 数据分类研究背景和神经网络的发展
• 1.2 神经网络在模式识别方向上的应用发展
• 1.3 本文的应用背景介绍
• 1.4 本文主要研究内容及结构
• 2 使用四层RBF神经网络构造建筑材料成分模型
• 2.1 建筑材料成分概述
• 2.2 已有模型及其优缺点
• 2.3 改进的四层RBF网络模型设计
• 2.3.1 网络的结构及训练算法分析
• 2.3.2 网络模型输入输出值选取
• 2.3.3 仿真结果及分析
• 2.4 小结
• 3 区域映射动态RBF神经网络模型
• 3.1 区域映射动态RBF神经网络的提出
• 3.2 网络模型结构描述
• 3.3 误差函数的选取
• 3.3.1 传统的误差函数及改进方法
• 3.3.2 区域映射误差函数
• 3.4 网络的训练算法
• 3.4.1 中心节点的选取及调整
• 3.4.2 输出权值调整
• 3.4.3 冗余节点删除
• 3.4.4 算法实现
• 3.5 区域映射动态RBF神经网络在二分类样本中的应用
• 3.5.1 二分类样本的介绍
• 3.5.2 区域映射动态RBF神经网络模型仿真
• 3.6 区域映射 RBF神经网络在建筑材料成分识别中的应用
• 3.7 区域映射动态RBF神经网络算法分析
• 3.8 小结
• 4 总结与展望
• 4.1 总结
• 4.2 展望
• 参考文献
• 课题资助情况
• 攻读硕士学位期间发表的论文
• 致谢
• 大连理工大学学位论文版权使用授权书