基于概率神经网络的模式识别

论文题目: 基于概率神经网络的模式识别

论文类型: 硕士论文

论文专业: 应用数学

作者: 蔡曲林

导师: 刘普寅

关键词: 概率神经网络,遗传算法,学习矢量量化,贝叶斯决策,推广能力

文献来源: 国防科学技术大学

发表年度: 2005

论文摘要: D. F. Specht提出的概率神经网络( Probabilistic Neural Network, PNN )是基于密度函数估计和贝叶斯决策理论而建立的一种分类网络. PNN的拓扑结构简单,容易设计算法,广泛应用于模式识别及模式分类领域.本文主要分析了PNN隐层神经元个数,隐中心矢量,平滑参数σ等要素对网络分类效果的影响,并用PNN实现了异或逻辑问题;提出了一种新的PNN有监督学习算法:用学习矢量量化对各类训练样本进行聚类,对平滑参数σ和距离各类模式中心最近的聚类点构造区域,并采用遗传算法在构造的区域内训练网络,实验表明:该算法在分类效果上优于其它PNN学习算法.证明了PNN的决策函数依概率收敛于贝叶斯决策函数;给出了PNN的推广能力表达式;证明了一个分类网络的测试集正确率是该网络推广能力的极大似然估计;给出了分类网络中需要的测试集数目表达式;证明了PNN推广能力不大于由贝叶斯决策所带来的正确识别率.

论文目录:

摘要

ABSTRACT

第一章绪论

1.1 神经网络与模式识别

1.2 PNN 国内外研究动态

1.3 本课题研究内容

1.31 研究内容

1.32 创新点

第二章 PNN拓扑结构

2.1 贝叶斯决策和密度函数核估计

2.2 PNN 的几种典型的拓扑结构

2.2.1 基于密度函数核估计的PNN 结构

2.2.2 基于密度函数混合高斯分布估计的PNN 结构

第三章 PNN的几种学习算法

3.1 LVQ 算法

3.2 FCM 算法

3.3 GF 算法

第四章一种新的PNN有监督学习算法

4.1 遗传算法简介

4.2 PNN 各要素分析及基于PNN 的XOR 问题实现

4.3 基于遗传算法的有监督学习

4.4 实验

4.4.1 基于PNN 的分类

4.4.2 基于遗传算法的有监督学习算法与其它无监督学习算法的比较

4.4.3 PNN 各要素分析

第五章 PNN中推广能力、测试集正确率、误判概率三者的关系

5.1 PNN 决策函数逼近贝叶斯决策函数的证明

5.2 网络推广能力测试集正确率和误判概率的关系

第六章结论

致献

参考文献

作者在学期间取得的学术成果

发布时间: 2006-09-14

参考文献

[1].基于RGB-D深度学习的假手抓取模式识别及控制研究[D]. 施纯源.哈尔滨工业大学2018
[2].基于小波消噪和智能优化算法的板形模式识别[D]. 康晓华.燕山大学2017
[3].基于极限学习机的异常模式识别[D]. 叶知凡.福州大学2016
[4].仿生模式识别的几何学习算法理论的研究[D]. 陆飞.浙江工业大学2007
[5].模糊神经网络的研究及其在模式识别中的应用[D]. 李秋.天津科技大学2009
[6].基于概率神经网络的变压器局部放电模式识别研究[D]. 周沙.江苏大学2016
[7].人工脑模式识别一种新的神经网络算法[D]. 张鲁波.青岛大学2013
[8].混沌遗传算法在模式识别中的应用[D]. 王赫.东北电力大学2009
[9].基于神经网络技术的空间碎片损伤模式识别研究[D]. 熊秋鹏.哈尔滨工业大学2012
[10].基于支持向量机与遗传算法的故障模式识别及趋势预测方法研究[D]. 郭永伟.北京化工大学2012

基于概率神经网络的模式识别

猜你喜欢