论文摘要
自适应谐振理论体系中的ART2网络是一种无监督竞争型神经网络,通过竞争和自稳机制实现分类,可以实时处理任意序列的二进制和模拟输入样本,并能在迅速识别已学习样本的同时也能快速适应未学习的新样本。ART2网络的快速学习规则,使得ART2网络存在稳定性—可塑性的两难问题,其稳定性和可塑性可以用新输入样本的网络的影响来衡量。当ART2网络稳定性强时,网络不易受新样本输入的影响且长期记忆系统的LTM向量不易改变,而网络可塑性则相反。针对上述两难问题,结合进化生物学关于幼态延续特性描述,本文提出一种具有幼态延续特征的NART2网络对ART2网络进行改进。该网络在学习初期保持较强的可塑性,在学习后期稳定性逐渐增强。同时NART2网络可以有效抑制样本输入顺序对网络聚类的影响。为了增强ART2网络的识别能力和灵活性,本文结合认知心理学中图式理论来设计在教师监督条件下的警戒值调整机制。警戒值的调整,克服NART2网络警戒值为固定值的缺陷。具有警戒值调整机制的NART2网络更加符合人类的认知过程。实验证明,其分类性能优于传统的ART2网络。为提高NART2网络的泛化能力和数据类型多样化处理能力,本文提出NART2网络群思想。该网络群算法具有一致性检测特性,可以滤除不能代表数据特征的样本该特征数据,增强分类正确率,达到简化计算的能力。NART2网络群的警戒值调整机制采用相对多数投票机制,投票成功后通过警戒值的调整以及强制学习作用,可以有效降低网络的错分率。同时,在NART2网络群中引入联想和遗忘机制,当仅给定输入样本部分特征时,也能较好的对输入样本进行正确分类,并能联想到该分类的其他特征。最后,本文将NART2网络群算法应用于水果图像识别,取得了令人满意的结果。
论文目录
摘要ABSTRACT第一章 绪论1.1 引言1.2 自适应谐振理论1.2.1 自适应谐振理论背景1.2.2 自适应谐振理论模型的起源1.3 ART2网络的国内外研究现状1.4 本文的主要研究内容1.4.1 选题意义1.4.2 本文主要工作第二章 ART2网络的结构和原理2.1 引言2.2 自适应谐振理论2.3 ART2网络的结构和原理2.3.1 ART2网络的结构2.3.2 ART2网络的基本原理2.3.3 ART2网络的数学描述2.3.4 ART2网络参数设置2.4 ART2网络学习过程分析1场自稳定'>2.4.1 F1场自稳定2场反馈后F1场的学习'>2.4.2 F2场反馈后F1场的学习2.4.3 LTM常用的学习规则2.5 本章小结第三章 具有幼态延续特征的ART2网络—NART2网络3.1 引言3.2 幼态延续概念3.3 NART2网络设计3.3.1 幼态延续概念实现3.3.2 活跃度指示器及其作用3.3.3 活跃度模型设计3.3.4 NART2网络算法3.3.5 NART2网络学习过程3.4 仿真实验3.4.1 不同a和b值下的权值更新对比3.4.2 ART2网络对随机样本集合的聚类3.4.3 NART2网络学习效果（动态平衡）3.4.4 NART2网络对随机样本的学习效果3.5 本章小结第四章 NART2网络的警戒值调整机制4.1 引言4.2 警戒值调整机制的NART2网络设计根源4.3 监督条件下NART2网络警戒值调整4.3.1 注意子系统的调整4.3.2 监督型NART2网络的设计4.3.3 监督型NART2网络的学习过程4.4 仿真实验4.4.1 监督条件下同化失败后NART2网络放弃学习该输入的仿真4.4.2 监督条件下同化失败后NART2网络强制学习该输入的仿真4.5 本章小结第五章 NART2网络群研究及其应用5.1 引言5.2 神经网络集成的设计思想5.3 NART2网络群设计5.3.1 NART2网络群基本结构5.3.2 NART2网络群的输入5.3.3 NART2网络群的突触连接5.3.4 NART2网络群的警戒值调整机制5.3.5 NART2网络群的一致性检测5.4 NART2网络群的联想学习及遗忘过程5.4.1 NART2网络群联想学习与遗忘的设计根源5.4.2 NART2网络群的联想学习和遗忘过程设计5.4.3 NART2网络群联想学习工作原理5.4.4 NART2网络群的遗忘机制5.4.5 NART2网络群的学习过程5.5 NART2网络群在水果图像识别中的应用5.5.1 轮廓不变矩和轮廓几何特征5.5.2 水果特征的提取5.5.3 仿真结果5.6 本章小节第六章 总结与展望6.1 全文总结6.2 展望参考文献致谢附录 （攻读硕士学位期间发表论文目录）
相关论文文献
标签：网络论文; 稳定性可塑性两难论文; 幼态延续论文; 警戒值调整机制论文; 神经网络群论文;
