人的控制行为模型计算机仿真建模测试系统

人的建模研究是人机工程学的一个分支,它研究人在人机系统中的特性.论文叙述了人的建模研究的重要意义及当前的研究状况,并介绍了一个建模综合测试环境的基本原理及软硬件组成.此建模环境把多种计算机输入设备、人的控制任务模型、辨识算法等集成起来,并加入了自制的眼动仪和操纵杆,最后给出了传递函数模型和模糊模型建模的实例.

一种用于说话人辨认的EM训练算法

提出用于说话人辨认的一种概率映射网络（ＰＭＮ）分类器，分类器的参数用ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎ）算法进行训练。ＰＭＮ网为一个四层前馈网，它构成一个贝叶斯分类器，实现多类分类的贝叶斯判别，把输入的说话人语音数据模型参数通过网络变换为输出的说话人判定。其网络节点对应于贝叶斯后验概率公式的各个变量。该ＰＭＮ网络用高斯核函数作为密度函数，网络参数训练由ＥＭ算法实现，其学习方式为类间的监督学习和类内的非监督学习。实验结果表明，这种分类网络及其学习算法在说话人辨认应用中是有效的。

一种概率映射网络的EM训练算法

本文提出一种概率映射网络(PMN)的EM(Expectation Maximization)训练算法。PMN为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。此PMN用高斯核函数作为密度函数,网络参数训练由EM算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。

一种 PNN 网络的 EM 训练算法

提出一种概率神经网络（ＰＮＮ）的ＥＭ（ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎ）训练算法．ＰＮＮ网为一四层前馈网，它构成一个贝叶斯分类器，实现多类分类的贝叶斯判别，它把输入的样本模式，经网络变换为输出的分类判决．其网络节点对应于贝叶斯后验概率公式的各个变量．此ＰＮＮ网络用高斯核的Ｐａｒｚｅｎ窗函数作为核密度函数，网络参数训练由ＥＭ算法实现，其学习方式为类间的监督学习和类内的非监督学习．实验表明了此网络及其学习算法在分类应用中的有效性．

一种PMN网络的GEM训练算法

本文提出一种概率映射网络（PMN）的CEM（GeneralExpectationMaximization）训练算法，它是EM（ExpectionMaximization）算法的一种改进算法。PMN网为一个四层前馈网。它构成一个贝叶斯分类器，实现多类分类的贝叶斯判别，把输入的样本模式经网络变换为输出的分类判决，其网络节点对应于贝叶斯后验概率公式的各个变量。此PMN网络用高斯校函数作为密度函数，网络参数的训练由GEM算法实现，其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明了此网络及其学习算法在分类应用中的有效性。