优先排序神经网络K网覆盖分类研究

从高维空间特征点覆盖的角度,讨论了优先度排序神经网络(PONN)算法,提出了非各向同性的K网覆盖算法(KPA)算法,最后给出标准测试集和应用测试集的比较结果,并对其与各向同性覆盖中心适配选择算法(CASA)进行了分析与比较,实验结果表明KPA算法在样本连续性构造方面优于CASA算法。

基于知识规则的构造性优先排序神经网络算法

从高维空间样本点覆盖的角度,讨论了基于知识规则的构造性优先排序神经网络(PONN)算法的原理,提出了网络构造过程的一般算法以及基于随机取样规则和重心点规则的两个实例算法。实例算法对螺旋线识别和语种识别进行了仿真。实验结果证明了算法的有效性。语种识别实验结果也表明基于重心规则的PONN算法在一定条件下优于SVM。

结合优先度排序神经网络的样本点分块拟合研究

样本点拟合是动态构造神经网络应用的重要研究领域。从输入输出映射的角度,依赖输出样本点优先关系,结合优先度排序神经网络把输入样本集合划分为不同子集,动态构造优先度排序神经网络对各个子样本集进行映射,对样本点进行分块并行神经网络构造,提高神经网络的训练速度。最后,通过对不同类型样本集进行测试,实验结果表明该算法能有效地减少拟合误差。