基于人工神经网络的动态过程聚类研究

为了有效解决传统人工神经网络对于时变函数的聚类问题,以及提高在大样本下网络的学习和泛化能力,提出了基于离散余弦变换的传统人工神经网络动态过程聚类方法。通过离散余弦变换将样本函数降维映射到由对应余弦参数所张成的模式特征空间,满足了传统人工神经网络对输入样本的要求,使传统人工神经网络实现动态过程的聚类成为可能。给出了实现算法,分析了计算复杂度,并使用基本竞争型人工神经网络对特征样本向量进行聚类,实验结果表明该方法是正确、有效的。与过程人工神经网络相比,该方法具有运算简单、物理意义明确等优点。

形态学联想记忆在内隐学习中的应用

内隐学习的研究关系到人类潜能开发的根本问题,是认知心理学研究的热点和难点.传统人工神经网络能够成功地模拟内隐学习,但模拟过程存在许多弊端,模拟效率也非常低.针对这些问题,采用形态学联想记忆网络(MAM)去解决.MAM不仅能够实现内隐学习的模拟,而且可以克服传统人工神经网络在模拟内隐学习时的各种缺陷,实验表明了该方法的有效性.