协同学原理在神经网络分类器中的研究与应用

摘要

神经网络分类器在实践过程中拥有良好的性能，易于实现，对各种类型的数据拥有良好的适应能力。以神经网络科学研究成果为基础发展起来的协同神经网络模型，反映出人脑功能的若干种基本特性，开拓了神经网络在计算机中的新用途。
　　 本文研究了协同学原理在神经网络分类器中的应用，其内容主要集中于协同模式识别中原型模式向量求解算法、协同神经网络分类器设计及人脸分类系统验证模型可行性三个方面。通过对当前已有的神经网络分类器的综合分析和比较，结合各自优缺点以及协同神经网络的具体特征，提出将协同学原理应用于神经网络分类器中的构想。首先，论文介绍了协同学的相关概念及协同神经网络的总体结构，为课题后续研究提供了理论基础。其次，本文着重探讨了模式识别中的核心技术，即原型模式向量选取算法，通过对四种不同求解算法的分析和比较，选出两种算法:K-均值聚类算法和遗传算法进行着重研究，通过深入学习比较二者的优劣性，最终提出了优化的遗传K-均值聚类算法来求解原型模式向量。然后，在此算法的基础上设计实现了协同神经网络分类器，结合实验数据说明该分类器的性能。最后把该协同分类器应用于人脸分类模型系统，通过对所采集的人脸图像数据信息进行分析与可行性验证，在保证正确识别的基础上提高效率，经实验论证该系统可以在噪声、干扰情况下对人脸进行高效有序的分类，达到研究目的。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 国外研究动态

1．2．2 国内研究动态

1．3 本文主要工作

1．4 本文结构安排

第2章 协同学原理相关理论和方法研究

2．1 协同学概述

2．2 协同学基本概念

2．2．1 序参量

2．2．2 支配原理

2．2．3 自组织

2．2．4 涨落

2．3 协同学基本原理

2．4 从协同学到协同神经网络

2．4．1 匹配子网结构及工作原理

2．4．2 竞争子网结构及工作原理

2．5 本章小结

第3章 协同神经网络模式识别模型及其算法

3．1 协同模式识别标准流程

3．2 现有的原型模式向量求解算法

3．2．1 SCAP算法求解原型模式向量

3．2．2 ICA免疫克隆算法求解原型模式向量

3．2．3 K-均值聚类算法求解原型模式向量

3．2．4 遗传算法求解原型模式向量

3．3 优化的遗传K-均值聚类算法求解原型模式向量

3．3．1 染色体编码

3．3．2 生成初始种群

3．3．3 构造适应度函数

3．3．4 遗传操作

3．3．6 实验分析与验证

3．4 本章小结

第4章 协同神经网络分类器

4．1 现有的神经网络分类器

4．1．1 Hopfield神经网络分类器

4．1．2 BP神经网络分类器

4．1．3 RLC神经网络分类器

4．2 协同神经网络分类器

4．3 本章小结

第5章 协同神经网络人脸分类系统的初步研究与实现

5．1 人脸分类系统的研究意义与发展现状

5．1．1 人脸分类系统的研究意义

5．1．2 人脸分类系统的发展现状

5．2 协同人脸分类系统的主要算法选择

5．3 基于协同人脸识别分类器的运行步骤

5．4 实验结果及分析

5．5 本章小结

第6章 结论与展望

6．1 总结

6．2 工作展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢