无监督Eidos表相盒中脑状态人工神经元网络模型参数优化选取

摘要

本文研究了无监督表相盒中脑状态(EidosBSB)人工神经元网络模型的参数优化选取问题.通过对模型连接矩阵的特征值进行深入分析,发现网络分类能力取决于有效特征值的平稳性和区别性.提出采用有效特征值均值与其他特征值均值的比,作为参数优化选取的依据,给出了选取最优参数的具体方法.仿真结果表明,经参数优化选取后的EidosBSB模型与原始EidosBSB模型相比,能够获得更强的噪声适应能力,更好的分类性能.参数优化后的网络对噪声污染率为100%的输入样本的平均识别概率达94%以上.