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。     

ART2网络的学习速率调整及其影响

首先讨论了ART2网络的常用学习规则,指出快速学习方式中隐式蕴含了在其他神经网络中常提到的学习速率,并给出了调整这种隐式学习速率的方法.通过实例说明了学习速率调整对模式漂移现象的抑制作用,并对比了不同学习速率对Iris数据集分类的影响.     

一种有效的大规模数据的分类方法

本文提出了一种基于自组织特征映射神经网络(SOM)和支撑矢量机(SVM)相结合的复杂模式的大规模数据的分类方法.该方法首先利用自组织特征映射神经网络对待识目标进行聚类,然后应用支撑矢量机方法对其进行分类识别.通过对复杂异或(XOR)分类问题,以及实际的Iris和Appendicitis数据分类问题等的分类实验,且与仅用支撑矢量机的分类方法比较,结果表明,本文提出的方法对复杂模式的大规模数据的分类识别问题具有较好的效果,且训练时间大幅度减小.     

一种提高ART-2神经网络分类器性能的方法

ART神经网络是按照自适应谐振理论建立的一种自组织的人工神经网络。本文通过分析ART神经网络的结构，发现其在用于模式识别中有很好的聚类特性，但是在数据处理过程中有部分数据量丢失的现象，也就是说，非常重要的幅度信息没有被考虑到。本文提出一种新的结构，并成功地把这种结构用到分类器设计中．实验表明新的网络结构用作模式分类时能适应更一般的情况．     

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.     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于SOM神经网络的航舵故障分类方法

为解决航舵故障诊断的复杂非线性模式分类问题,提出一种基于自组织特征映射(SOM)神经网络的航舵故障诊断方法,构造一个2层SOM神经网络,训练后多个权值向量位于输入向量聚类中心,实现快速有效的自适应分类.仿真结果表明:SOM网络经过100次训练即可实现聚类,对有限故障测试样本分类准确率可达90％,对航舵故障诊断具有一定的参考价值.     

强混叠模式下基于神经元捕获/抑制原理的分类器设计

目前的许多分类器设计方法,如多层感知器网络(MLP)、支持向量机(SVM)、相关向量机(RVM)、径向基函数网络(RBF)等,实际是非线性映射加线性分类的方法,即将输入空间的非线性可分问题经非线性映射到另一空间,在那一空间实现线性分类.本文则开拓性的运用脉冲耦合神经网络神经元的点火捕获的思想,提出了一种基于耦合神经元点火捕获/抑制特性的分类器设计方法,使一类样本对应神经元总是较其它类样本对应神经元先点火以实现对样本的有效分类.所设计的分类器可实现对样本空间中任意复杂分布训练样本的非线性稳健分类,特别是有效实现复杂混叠模式的模式稳健分类,大量复杂混叠模式分类问题的仿真实验验证了本文方法的有效性和可行性,并应用于微波暗室实测一维距离像数据的自动目标识别中.     

基于KPCA和RBF网络的文本分类研究

基于词空间的分类方法很难处理文本的高维特性和复杂相关性,为此文中提出了基于核的主成分分析和径向基神经网络的文本分类算法.首先利用核主成分分析选择合适的核函数从高维特征空间中提取文本向量的主成分,实现了文本输入空间的降维和语义特征空间的抽取,然后在语义特征空间中训练径向基神经网络分类器,并利用训练得到的分类器进行文本分类工作.实验结果表明:核主成分分析不仅实现了降维,而且能在大幅减减少径向基神经网络训练时间的基础上显著提高其分类精度.     

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.     

基于VGGNet卷积神经网络的蓝印花布纹样分类

为了数字化传承与创新传统的蓝印花布纹样,需 要将蓝印花布纹样进行分类。为此,提出一种改进的VGGNet卷 积神经网络模型的纹样分类方法。首先,采集原始的蓝印花布图案,通过图像增强技术扩充 样本,形成训练数据集。其次, 改进经典的VGGNet 16卷积神经网络结构,增加卷积组及调整网络参 数,增加丢弃层。同时,分析、验证训练优化策略对 蓝印花布纹样分类的影响。最后,利用训练集及验证集中的图像样本,通过自动学习获取网 络模型参数,得到纹样分类的最 佳网络模型并获得较为理想的分类结果。实验结果显示,改进的卷积神经网络模型针对5类 蓝印花布纹样进行分类训练,其 平均分类准确率达89.73%,为蓝印花布纹样的继承和创新研究提供了 新思路。     

Neural-fuzzy classification for segmentation of remotely sensedimages

An unsupervised classification technique conceptualized in terms of neural and fuzzy disciplines for the segmentation of remotely sensed images is presented. The process consists of three major steps: 1) pattern transformation; 2) neural classification; 3) fuzzy grouping. In the first step, the multispectral patterns of image pixels are transformed into what we call coarse patterns. In the second step, a delicate classification of pixels is attained by applying an ART neural classifier to the transformed pixel patterns. Since the resultant clusters of pixels are usually too keen to be of practical significance, in the third step, a fuzzy clustering algorithm is invoked to integrate pixel clusters. A function for measuring clustering validity is defined with which the optimal number of classes can be automatically determined by the clustering algorithm. The proposed technique is applied to both synthetic and real images. High classification rates have been achieved for synthetic images. We also feel comfortable with the results of the real images because their spectral variances are even smaller than the spectral variances of the synthetic images examined     

基于同源的同类事物连通本性的模式分类神经网络模型

根据同源的同类事物连通的本质特性,本文提出保同类事物正确连通通路的模式分类神经网络模型.该模型包括同源的同类事物样本连通连网排序技术、改进的前向掩蔽神经网络模型拓扑结构的连接权值排序学习算法和改进的增量学习算法.本模型解决了原来排序学习前向掩蔽神经网络模型和许多传统的模式识别方法存在的共同隐患——把同源的同类事物的个别局部连通通路割断,提高了分类能力.而且,该模型还能对新增样本进行快速增量学习,从而能够在较短的时间内提高该网络模型的分类推广能力,能够在大规模模式识别场合发挥其优势.实验结果表明基于同类事物连通本性的模式识别模型的正确识别率高.本文最大意义在于,用本文思想方法可以改进一些传统的模式识别方法.     

Online pattern classification with multiple neural network systems: an experimental study

In this paper, an empirical study of the development and application of a committee of neural networks on online pattern classification tasks is presented. A multiple classifier framework is designed by adopting an Adaptive Resonance Theory-based (ART) autonomously learning neural network as the building block. A number of algorithms for combining outputs from multiple neural classifiers are considered, and two benchmark data sets have been used to evaluate the applicability of the proposed system. Different learning strategies coupling offline and online learning approaches, as well as different input pattern representation schemes, including the "ensemble" and "modular" methods, have been examined experimentally. Benefits and shortcomings of each approach are systematically analyzed and discussed. The results are comparable, and in some cases superior, with those from other classification algorithms. The experiments demonstrate the potentials of the proposed multiple neural network systems in offering an alternative to handle online pattern classification tasks in possibly nonstationary environments.     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

A neural-network approach to recognize defect spatial pattern insemiconductor fabrication

Yield enhancement in semiconductor fabrication is important. Even though IC yield loss may be attributed to many problems, the existence of defects on the wafer is one of the main causes. When the defects on the wafer form spatial patterns, it is usually a clue for the identification of equipment problems or process variations. This research intends to develop an intelligent system, which will recognize defect spatial patterns to aid in the diagnosis of failure causes. The neural-network architecture named adaptive resonance theory network 1 (ART1) was adopted for this purpose. Actual data obtained from a semiconductor manufacturing company in Taiwan were used in experiments with the proposed system. Comparison between ART1 and another unsupervised neural network, self-organizing map (SOM), was also conducted. The results show that ART1 architecture can recognize the similar defect spatial patterns more easily and correctly     

基于谱图和神经网络的通信干扰模式识别方法

对通信系统受干扰的模式进行分析和模式识别,可以指导通信系统进行相应的自适应参数调整,以具有更强、更有针对性的抗干扰能力。研究宽带通信系统,利用多隐藏层的神经网络可以解决任意形式分类问题的特性,构建一种基于功率谱谱图和双隐藏层神经网络的通信干扰模式识别方法,可以对5种常见的通信干扰进行快速的模式识别。仿真结果表明,该通信干扰模式识别方法对干扰模式在不同的干噪比情况下能获得99.6%以上的平均识别概率,对除梳状谱干扰外的各种干扰模式识别准确率均达到99.7%以上,梳状谱干扰识别准确率达到98.4%以上。该方法具备较稳定的识别能力,可应用于干扰感知的流程中。