SOM网络和广义回归网络及其混合模型研究

论文摘要

随着人工神经网络系统理论的发展,神经网络技术日益成为模式分类的有效手段。神经网络的学习方式包括监督学习和非监督学习。非监督学习算法的分类精度通常很难令人满意,而监督的学习算法需要有标记的训练样本,这有时很难得到,并且其分类精度直接依赖于所用的训练样本。针对这些缺陷,本文分别对非监督学习的自组织(SOM)神经网络和监督学习的广义回归网络(GRNN)进行了改进,并提出了一种基于SOM网络和GRNN结合的混合神经网络模型。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和算法进行了讨论,了解了人工神经网络的研究动态及发展趋势,并重点对SOM网络和广义回归网络的模型结构和算法理论进行深入研究。(2)对核函数方法原理进行了研究,并选用核函数对传统的SOM网络进行改进,在此基础上,探讨一种基于混合核函数的SOM网络模型,并通过相关实验证实该方法的优越性。(3)对广义回归网络进行深入研究,并用粒子群优化算法自动确定GRNN参数,避免了人工选择平滑因子对分类结果的影响,并通过实验和人工方法进行了对比。(4)探讨了一种基于非监督学习的SOM网络和监督学习的GRNN结合的混合神经网络模型,并在IRIS数据集、WINE数据集和遥感测试数据集上分别进行了实验论证,对混合神经网络模型研究提供了一种新的思路。

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 RBF 神经网络
• 1.3.4 Hopfield 网络
• 1.3.5 自组织神经网络
• 1.3.6 广义回归神经网络
• 1.4 本文的主要研究内容
• 1.5 本文的章节安排
• 第二章 SOM 网络及其改进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 基于核函数方法改进的SOM 网络
• 2.5.1 核函数方法原理
• 2.5.2 基于核函数的SOM（KSOM）网络算法
• 2.5.3 实验与讨论
• 2.6 基于混合核函数的SOM 网络
• 2.6.1 混合核函数
• 2.6.2 基于混合核函数的SOM（HKSOM）网络算法
• 2.6.3 实验与讨论
• 2.7 本章小结
• 第三章 广义回归网络及其改进在模式分类中的应用
• 3.1 广义回归神经网络（GRNN）
• 3.1.1 GRNN 的理论基础
• 3.1.2 GRNN 的网络结构
• 3.2 粒子群优化（PSO）算法
• 3.2.1 PSO 算法简介
• 3.2.2 PSO 算法基本原理
• 3.2.3 PSO 算法流程
• 3.2.4 与其他进化算法的比较
• 3.3 PSO 算法对GRNN 参数的优化
• 3.4 实验与讨论
• 3.4.1 Iris 数据集实验比较
• 3.4.2 Wine 数据集实验比较
• 3.4.3 遥感图像数据实验比较
• 3.4.4 实验结果分析
• 3.5 本章小结
• 第四章 SOM 和GRNN 结合的混合神经网络模型研究
• 4.1 混合神经网络模型的提出
• 4.2 SOM 和GRNN 结合的混合神经网络
• 4.2.1 混合模型学习过程
• 4.2.2 混合模型算法步骤
• 4.3 实验与讨论
• 4.3.1 Iris 数据集实验比较
• 4.3.2 Wine 数据集实验比较
• 4.3.3 遥感图像数据实验比较
• 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