几种竞争神经网络的改进及其在模式分类中的应用 ——以SOM和ART为例

论文摘要

神经网络的学习方式可分为两种,一种是有监督的学习,这时利用给定的训练样本进行分类或模仿;另一种是非监督的学习,这时只规定学习方式或某些规则,而具体的学习内容随系统所处的环境(即输入信号情况)而异,系统可以自动发现环境特征和规律性,具有更近似于人脑的功能。相对于有监督学习来说,非监督学习的研究起步较晚,其研究空间比前者更大。本文对模糊自适应共振理论(Fuzzy ART)神经网络进行改进,并将它与自组织特征映射(SOM)神经网络结合,提出了一种新的非监督分类方法,本文的主要工作总结如下:(1)对几种代表性的人工神经网络模型进行了讨论,了解了人工神经网络的研究动态及发展趋势,并重点对SOM网络和自适应共振理论模型结构和算法理论进行深入研究。(2)深入研究自组织特征映射神经网络的模型结构和算法理论,并通过Iris、Wine、遥感数据以及灰度图像分类实验验证SOM网络的性能。(3)对模糊自适应共振理论进行深入研究,对其学习率进行改进,并进一步降低算法的计算复杂度,Iris、遥感数据和灰度图像分类实验结果验证了改进方法的有效性。(4)探讨了一种SOM和Fuzzy ART结合的非监督模式分类方法,通过相关实验证实该方法的优越性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 人工神经网络的发展
• 1.2 人工神经网络研究现状
• 1.3 几种代表性神经网络模型介绍
• 1.3.1 神经元模型简介
• 1.3.2 反向传播（BP）网络
• 1.3.3 径向基（RBF）网络
• 1.3.4 Hopfield 网络
• 1.3.5 自组织（SOM）网络
• 1.3.6 自适应共振理论模型（ART）
• 1.4 本文的主要研究内容
• 1.5 本文的章节安排
• 第二章 SOM 网络及其在模式分类中的应用
• 2.1 SOM 网络概述
• 2.2 竞争学习
• 2.2.1 聚类依据与相似性测量
• 2.2.2 竞争学习规则
• 2.3 SOM 网络的拓扑结构
• 2.4 SOM 网络的学习过程
• 2.5 实验与讨论
• 2.6 本章小结
• 第三章 FUZZY ART 网络及其改进在模式分类中的应用
• 3.1 FUZZY ART 网络简介
• 3.1.1 ART1 网络结构
• 3.1.2 Fuzzy ART 网络结构
• 3.1.2 Fuzzy ART 学习过程
• 3.1.3 Fuzzy ART 参数分析
• 3.2 改进的FUZZY ART 算法
• 3.2.1 改进Fuzzy ART 算法原理
• 3.2.2 改进Fuzzy ART（I-Fart）算法步骤
• 3.2.3 I-Fart 算法参数分析
• 3.3 实验与讨论
• 3.4 本章小结
• 第四章 SOM 结合FUZZY ART 在模式分类中的应用
• 4.1 SOM 和FUZZY ART 结合新方法的提出
• 4.2 SOMFART 算法
• 4.2.1 算法简介
• 4.2.2 算法步骤
• 4.3 实验与讨论
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 今后工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文