模式识别协同方法中的序参量重构

分析了模式识别协同算法中序参量在识别过程中的意义，指出了原始序参量的构造存在的不合理因素，提出了基于具体识别特点的序参量重构概念，促进更有效的识别．

基于奖惩学习算法的序参量重构方法

分析了协同方法中序参量在模式识别过程中存在的不合理因素 ,阐述了经过序参量重构的协同方法能够有效地克服这些不合理因素 ,从而提高模式识别性能 .为了获得序参量重构参数 ,提出了基于奖惩学习算法的重构参数的搜索算法 ,该算法结合协同神经网络的自学习能力和奖惩学习算法的搜索能力来训练序参量重构参数 .利用从实际应用中得到的样本对新算法进行的测试表明 ,新算法确实能找到一组序参量重构参数使识别性能得到较大提高 ,具有很好的实用性 .另外 ,还讨论了奖惩学习算法中参数 δ对新算法的训练性能的影响 ,以期指导参数 δ的选取 。

一种有效的最优序参量重构方法

针对模式识别中协同方法存在的问题 ,提出了一种协同神经网络中序参量重构的方法 ,该方法是利用遗传算法的全局最优搜索能力 ,通过对训练样本集的学习 ,然后再通过在序参量的重构参数空间进行全局搜索来获得最优重构参数 .利用实际采样得到的样本对新算法进行的测试表明 ,新方法确实能找到一组序参量重构参数 ,并能使识别性能有较大提高 .