广义LVQ神经网络的性能分析及其改进

首先从理论上分析了广义学习矢量量化（ＧＬＶＱ）网络的ＧＬＶＱＦ算法的性能，ＧＬＶＱＦ算法在一定程度上克服了ＧＬＶＱ 算法存在的问题．然而，它对获胜表现型的学习具有好的性能，对于其它的表现型，性能却十分不稳定．分析了产生这个问题的原因，直接从表现型的学习率出发，提出了选取学习率的准则，并给出了两种改进的算法．最后，使用ＩＲＩＳ数据验证了算法的性能，改进算法较之ＧＬＶＱＦ算法具有明显的稳定性和有效性．

学习矢量量化的软竞争算法

尽管FALVQ算法的亏损因子为模糊隶属度函数,但由于它的尺度函数并不是模糊隶属度函数,使得算法的性能不稳定.为了克服这个问题,通过推广FALVQ中获胜亏损因子的定义,导出了广义LVQ的一类软竞争算法(SCALVQ),并且给出了它的3种具体形式.在SCALVQ中,亏损因子和对应的尺度函数是同一个模糊隶属度函数,它汲取了FALVQ和软竞争格式的优点,有效地克服了FALVQ存在的问题.