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

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(FuzzyART)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FuzzyART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。

目录

文摘

英文文摘

声明

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