有教师指导细化拟合的ART2神经网络的研究

ART2神经网络广泛应用于模式识别问题,但有时具有某一属性的模式在模式空间中不一定聚集紧密.当几个模式由于发散而在空间互相交错时,要用ART2神经网络产生复杂的模式空间分类曲面将它们分开则相当困难.另外,ART2对所分的类型并没有任何先验知识,也就是说,ART2本身无法指明所得各类模式的归属.本文提出一种新颖的ART2神经网络,使用先细化后拟合的方法解决了复杂交错的模式分类问题.将这种ART2神经网络用于高频心电图特征数据分类,结果显示大大提高了分类的正确率.     

一种新的神经网络均衡器:结构、算法与性能

本文根据克服数字通信中码间干扰（ISI）的最佳均衡解一般表达式，提出了一种新的自适应神经网络均衡器结构，然后导出了基于该结构的一种自适应算法和相应的学习规则，最后对提出的自适应神经网络均衡器性能进行了计算机模拟，模拟结果与分析表明：本文提出的神经网络均衡器用于实现最佳信道均衡非常有效，比传统线性均衡器和Gibson等人[1]提出的多层感知均衡器（MLPE）性能更优越，更具实用性．     

神经网络余数制系统与余数制神经网络模型

余数制和神经网络各有其独特优点，将其有机结合这些优点得以充分发挥。将神经网络结构和方法引人余数制信号处理系统，构造出完成余数约化运算和余／十转换运算以及余数加法运算的新结构，开辟了高速实时信号处理的新途径．将余数制引入神经网络，即神经网络中的数据、权值均按余数制表示和运算，构造出一种新的感知机模型—余数制神经网络，由于余数制运算具有一种独特的非线性特点，使这种模型比常规神经网络具有更强的功能。     

ART-2神经网络的研究与改进

ART—2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。     

基于RBF网络图像表示的CT重建算法研究

本文提出一种基于径向基函数(Radial Basis Function-RBF)神经网络图像表示实现对计算机断层成像装置不完备投影数据的重建方法,并分析了方法的计算效率、重建质量和适用范围.该方法采用RBF神经网络表示断层图像,降低了问题的计算规模,并通过ART(Algebraic Reconstruction Technique)迭代算法重建出断层图像.在模拟实验中,我们将本方法与FBP、ART的重建图像算法进行了比较.实验结果表明所提出的方法其重建质量和计算效率都有明显地改进.     

Banyan网输入输出排队的神经网络调度及其实现

Ｂａｎｙａｎ网是一种多级互联网络，它广泛地应用在ＡＴＭ交换结构中．Ｂａｎｙａｎ网输入排队的神经网络调度方法已有文章提出，但其硬件实现比较复杂．本文提出了一种Ｂａｎｙａｎ网输入输出排队的神经网络调度方法，它的硬件实现容易．计算机模拟结果表明，该调度方法是非常有效的．在此，还给出了该系统的硬件实现方法．     

一种自适应的小波神经网络

本文受感知域划分思想的启发，将小波的多分辨分析与BP网结构相结合，构造了一种新的小波神经网络．该小波神经网络利用多分辨分析生成小波树，小波树的生长与网络的训练相结合，自适应地生成隐层结点，并且删除分类不佳的结点．以声纳信号进行了实验，结果表明：该网络充分发挥了小波的特点，将模式识别的特征抽取与分类器设计融为一体．     

二元神经网络模型中的Monte Crlo学习算法

基于作者以前提出的一种单通道双极光学神经网络结构，利用自适应阈值，本文提出了一个新的MonteCarlo学习算法的判据，这个判据可以使MonteCarlo学习算法进一步改善神经网络的性能。     

一种基于ART2神经网络的算法改进

针对传统的ART2神经网络中对于主观设置的警戒参数以及识别分类过程中产生模式漂移的问题,提出基于改进算法的ART2神经网络模型,用于解决分析模式识别问题。通过自组织,加权,迭代等过程推导合理的警戒参数用于聚类运算,通过对ART2神经网络的权值训练方面进行修正,减缓学习速率,降低模式漂移速度,近一步对聚类对象进行合理分类。实验结果证明,该方法是可行的和有效的。     

基于ART神经网络的垃圾邮件过滤技术

本文讨论了自适应谐振理论ART,分析了ART的工作原理,给出了ART的具体算法。以神经网络ART作为分类器来过滤垃圾邮件,ART克服了IBP网络的缺点,可以对垃圾邮价进行更有效地过滤,更好的解决了垃圾邮件特征不断变化而过滤方法相对固定的矛盾。并以实例详述了ART在邮件过滤中的工作过程,获得了很好的结果。     

基于模糊ART的图像分割

本文提出了一种基于模糊ART神经网络的灰度门限化图像分割方法,该方法不仅可以自动确定分类数目,而且还能有效地抑制噪声.对人工和实际图像的分割实验结果验证了本文方法的有效性.     

一种改进的层次聚类算法

为了更好地实现聚类,在分析层次聚类(agglomerative)算法和神经网络的ART2算法的基础上,提出了一种改进的层次聚类算法.改进算法将首先采用一种基于ART2的改进神经网络聚类算法得到一个初始的聚类结果,然后在此基础上利用agglomerative算法实现分层聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好.     

ATM组播交换的神经网络调度方法

本文提出了一种新的ATM组播交换（Multicast Switching）神经网络调度方法。ATM组播交换的神经网络调度方法国外已有文献提出，但其神经网络的能量函数结构复杂难以用VLSI实现。我们提出的神经网络能量函数结构简单，其神经网络控制器容易实现。文中给出了神经网络的调度算法、能量函数及其神经网络控制器的实现方法。通过计算机模拟，证明该方法是非常有效的。     

一种改进的结构自适应自组织神经网络算法

针对结构自适应自组织神经网络神经元分布的特点和节点生长-删除算法的局限性．提出了一种改进的结构自适应自组织神经网络。根据神经元的学习速率、领域、兴奋度及相似阈值等状态信息．该算法可适应地调整神经网络的结构，克服了现有结构自适应神经网络的局限性。具有很好的聚类和泛化能力。实验结果表明该算法对样本的聚类有很好的效果并且具有很好的泛化能力。     

一种自组织结构的神经网络模式分类器

本文研究了一种自组织结构的神经网络模式分类器．它由一个多层网络和一个自组织机构组成．通过对训练样本的聚类分析，它能有效地构造和训练网络，并能在学习过程中自适应地调节网络结构．它具有收敛速度快，能避免局部极值点和应用方便等显著优点．计算机模拟实验证实了其优越性．     

一种改进的Elman神经网络的模型

本文首先详细地阐述了Ｅｌｍａｎ神经网络的结构、原理和学习算法。为了进一步提高Ｅｌｍａｎ神经网络的逼近能力和动态特性，我们提出了一种改进的Ｅｌｍａｎ神经网络模型。这种新的Ｅｌｍａｎ神经网络在关联节点与输出节点之间又增加了一组可调权值，利用误差回馈原理推导出了其相应的学习算法。仿真实验结果表明，改进的Ｅｌｍａｎ神经网络比原来的网络具有更好的动态性能，对于贯序输入输出数据的逼近收敛速度更快。     

电流型汉明神经网络的设计

本文提出了两种新的电流型汉明神经网络电路。第一种风络包括电流型模板匹配电路和全互连的电流型求大网络，结构简单，没有时钟模拟显示该电路具有高速度、高精度和低功耗等特点。在该电路的基础上，又提出了一种采用电流型模板匹配电路和电压型求大网络的汉明神经网络电路，同样具有上述特点。     

一个符号神经网络的学习算法

本文首先根据神经科学和认知科学的研究，提出了一种符号神经网络结构，该结构溶符号机制和神经网络于一体，然后在此基础上研究了其学习算法，该算法结合神经网络ＢＰ学习算法和符号机制中学习算法的特点；最后通过实验，证实该算法的可行性和先进性。     

基于神经网络的方向估计

本文在介绍神经元及Ｈｏｐｆｉｅｌｄ神经网络基础上，提出一种基于神经网络的方向估计方法，并给出模拟方法及结果，为实时实现目标的精确定位提供了一条新的有效途径。     

引入全局约束的精简人脸关键点检测网络

人脸关键点检测是计算机视觉中的典型问题之一，对于人脸三维重建、表情识别、头部姿态估计、人脸跟踪等有重要影响。目前基于深度神经网络的模型在人脸关键点检测性能表现最为突出，已被广泛采用。但是现有关键点检测深度神经网络结构设计越来越复杂，对于训练和测试需要的计算和存储资源要求越来越高。本文提出一种新的精简的关键点检测网络结构以代替现有的网络结构。相对其他网络结构，精简网络只包含一个特征提取模块，以及由几层反卷积层组成的上采样模块。此外我们在网络结构中加入对人脸所有关键点的全局约束，以减少预测离群点的产生。实验表明引入全局约束的精简网络结构在300-W数据集上取得的检测性能超出了目前典型深度神经网络检测模型。