基于仿生模式识别的构造型神经网络分类方法

提出了一种基于仿生模式识别理论的神经网络构造方法.仿生模式理论认为:"同类而不完全相等的事物之间,必至少存在一个渐变过程,在这个渐变过程中间的各事物都是属于同一类的".利用这一理论,从不同结构神经元模型在高维空间中的几何意义出发,通过对一种新型的神经网络的构造,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖,从而达到分类的目的.通过双螺旋曲线的分类实验,证明了这种神经网络具有很好的识别效果.

仿生模式识别的算法实现与应用

运用高维空间几何学和流形学习理论,讨论了仿生模式识别的原理,给出了具体算法设计和基于高维空间几何的实现方法.在不限定流形维数的情况下,对学习样本覆盖方法和测试样本识别方法进行了具体实现,为仿生模式识别的应用和推广奠定了基础.通过设计的说话人无关语音识别的试验,验证了方法的可行性,并取得了比传统识别方法更高的识别效果.

基于仿生模式识别的构造型神经网络分类方法分析

本文体出了一种将仿生模式识别理论作为基础的神经网络构造方法。仿生模式理论认为,同类但不完全相等事物之间存在着至少一个渐变过程,在这个过程当中,各种事物都属于同一类别。利用该理论,能够从高维空间当中神经元模型的几何意义出发,对一种全新的神经网络进行构造,从而使得高位空间中不同亚你根本形成的不同几何体覆盖能够得到有效的实现,并对其进行有效的分类。本文的研究利用双螺旋曲线分类实验使得这种网络的识别效果得到了证明。