基于域理论的自适应谐振神经网络分类器

提出了一种基于域理论的自适应谐振神经网络模型 FTART2 ( field theory based adaptive resonancetheory 2 ) .该模型结合了自适应谐振理论和域理论的优点 ,学习速度快 ,归纳能力强 ,效率高 ,可以根据输入样本自适应地调整拓扑结构 ,克服了前馈型网络需要人为设置隐层神经元的缺点 .基准测试表明 ,FTART2在学习精度和速度上都远远优于标准

基于域理论的自适应谐振神经网络研究

在自适应谐振理论和域理论的基础上提出了一种基于域理论的自适应谐振神经网络算法FTART .该算法将自适应谐振理论和域理论的优点有机结合 ,采用了独特的解决样本间冲突和动态扩大分类区域的方法 ,不需人为设置隐层神经元 ,学习速度快 ,精度高 此外 ,还提出了一种从FTART网络中抽取符号规则的方法 ,即基于统计的产生 -测试法 ,实验结果表明 ,使用该方法抽取出的符号规则可理解性好、预测精度高 。

一种基于自适应谐振理论的TM遥感影像神经网络分类器

提出了一种基于自适应谐振理论建立起来的自组织模糊ARTMAP神经网络分类器。分析了ART神经网络的结构和工作原理,给出模糊ARTMAP神经网络分类的具体算法,并将其运用到TM遥感影像分类的实验中。结果表明模糊ARTMAP神经网络分类器的速度快,精度高,比常用的BP网络具有更好的性能。

基于域理论的自适应谐振神经网络研究

提出了一种基于域理论的自适应谐振神经网络算法 FTART,有机结合了自适应谐振理论和域理论的优势 ,以一种独特的方式解决了示例间冲突和分类区域的动态扩展 ,不仅不需要手工设置隐层神经元 ,可以还获得了较快的训练速度和较高的预测精度 .同时还提出了一种可以从训练好的 FTART网络中抽取可理解性好、精度高的符号规则的方法 ,即基于统计的产生测试法 .实验结果表明 。

基于自谐振神经网络的线路故障自适应选相元件

提出一种新的基于自谐振神经网络结构的自适应故障选相元件。采用故障分量作为网络输入量。由于故障分量能够很好地反映故障特征,而自谐振神经网络结构具有训练快速、不存在局部极小值点以及网络权值稳定等特点,因此自适应选相元件不受线路运行方式变化的影响。大量EMTP仿真和实际故障录波数据验证了其可靠性和正确性。

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点 ,针对回归估计问题的特性 ,提出了一种新型神经网络回归估计算法 FTART3.该算法学习速度快、归纳能力强 ,不仅具有增量学习能力 ,还克服了 BP类算法需要人为设置隐层神经元的缺陷 .直线、正弦、二维墨西哥草帽、三维墨西哥草帽等 4个实验表明 ,FTART3在函数近似效果和训练时间代价上都优于目前常用于回归估计问题的

一种新的模糊聚类神经网络及其在水资源评价中的应用

本文在工程模糊集理论的基础上,融合香努(Kohonen)聚类网络与自适应谐振理论(AdaptiveResonanceTheory ,ART)的优点给出了一种新的模糊聚类神经网络,并将其应用于区域水资源评价中。网络模型融入模糊识别理论,增强了处理复杂水资源问题的能力,同时模糊竞争的学习算法改善了Kohonen网络学习效果。结合ART理论使得网络模糊类别数可以增加,因此具有较强的可塑性。最后。

基于神经网络和灰色理论的密闭鼓风炉透气性预测模型

以密闭鼓风炉熔炼过程为研究对象 ,采用自适应组合集成技术将神经网络NN和灰色理论有机结合的方法建立了密闭鼓风炉透气性预测模型。仿真和工业应用结果表明 :所提出的模型能很好地实现密闭鼓风炉透气性的预测 ,并能使铅锌产量得到显著的提高。

模糊神经网络间隔调速模型的研究

提出了一种基于模糊神经网络理论求得动态出口速度的模型,以6 层的前向神经网络实现模糊过程,使系统具有自学习和自适应能力,能根据列车的实际溜放情况自动调整减速器出口速度。

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。

ART-2神经网络的研究与改进

ART-2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)神经网络的弱小目标检测算法。首先,采用Fuzzy-ART神经网络结合Robinson警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。

基于多FART神经网络的彩色图像分割

提出了一种适用于彩色图像分割技术的多模糊自适应谐振(FART)神经网络结构。网络的输入为RGB色彩空间的彩色图像,并将其转换为HSV色彩空间的三组彩色分量-色调,亮度和饱和度,而后利用多FART神经网络的分类能力,将三组分量进行分类的图像输入到决策层,经过融合和分割处理后,最终得到正确的彩色分割图像。与彩色分水岭算法相比,采用上述图像分割算法得到了较好的分割效果。

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-or-ganizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究。通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络。并通过仿真实验证明该算法的有效性。

讲授“人工神经网络”课程手记

1 背景人工神经网络的研究源远流长.从本世纪中期开始几经兴衰.到80年代中、后期,再次形成了遍及世界各地和涉及多种学科领域的研究热潮。这一交叉科学技术领域的发展已从理论研究走向广泛的实际应用.人工神经网络的研究成果正冲击着电子与信息科学的发展进程与方向。在此期间,在某些研究工作.特别是研究生的论文工作中.

FTART2神经网络及其规则抽取研究

本文提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ２，该算法将自适应谐振理论和域理论的优点有机结合，不需人为设置隐层神经元，学习速度快、精度高．此外，本文还提出了一种从ＦＴＡＲＴ２网络中抽取符号规则的方法，实验结果表明，使用该方法抽取出的符号规则可理解性好、预测精度高，可以很好地描述ＦＴＡＲＴ２网络的性能．

FART神经网络的改进及其在晶圆在线监测中的应用

对模糊自适应共振理论(FART)神经网络进行改进,使用改进的FART神经网络对半导体生产线晶圆合格率进行在线检测,对晶圆合格率特征向量进行聚类分析,将合格率损失中拥有相类似特征的晶圆分为一类,一旦检测到生产线发生异常,便可找出故障设备并及时维护,从而使生产线处于高生产率状态。

大规模数据聚类中模糊自适应谐振理论的研究与应用

大规模社交媒体数据的复杂性要求将聚类技术扩展到大规模数据,使其能够在很少的经验设置下自动识别数据聚簇。文章研究和讨论了模糊自适应谐振理论(Fuzzy Adaptive Resonance Theory)算法,其具有线性计算复杂性,仅使用一个单一参数,且对参数设置具有鲁棒性,可以产生更好的聚类结果。真实数据集上的实验结果表明,该算法在大规模数据聚类中取得了可比较的性能和更快的速度,而且也不需要预先定义聚簇个数。

慢速权值更新的ART2神经网络研究

ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。提出了一种基于慢速权值更新的ART2神经网络算法,该算法在对输入模式进行识别分类时,会减慢学习速率,降低模式漂移的速度。新的网络学习规则在分类实验中取得了较好的效果,并在一定程度上解决了模式漂移问题。