一种基于Legendre正交基变换的过程神经元网络训练

为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。算法在网络的输入函数空间引入Legendre正交函数基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用Legendre函数基的正交性,避免复杂的积分过程,降低过程神经元在时间聚合运算中的复杂性,提高学习效率。仿真实验结果证明了算法的有效性。

载波条纹的带窗正交基变换

本文引入带窗正交基变换对正弦空间载波条纹图和二值空间载波条纹图进行了分析。

基于改进粒子群算法的过程神经网络训练

针对过程神经元网络由于模型参数较多,正交基展开后的BP算法不易收敛的问题,结合量子理论,提出一种改进的粒子群算法,并用于过程神经元网络的训练。算法中粒子采用双链结构,用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异,可发挥量子粒子群的群体搜索能力和全局收敛性,有效克服BP算法计算复杂、容易陷入局部最小值等缺陷。以两组二维三角函数的模式分类问题为例,验证算法有效性。结果表明该方法不仅收敛速度快,而且寻优能力强。

信号稀疏表示方法研究进展综述

稀疏分解表示能够大大降低数据存储量,提高压缩效率,一直是学者研究的热点.传统的信号稀疏表示主要集中在各种线性正交基变换以及组合正交基上,对于高维空间信息数据的表达,传统方法往往受到各种限制.研究学者根据人类视觉系统接受场具有局部、方向和带通的特性,提出多尺度几何分析的方法,并证明了对光滑的分段函数和高维空间信号的表达,达到了更好的逼近效果.由于传统方法没有考虑原始信号特点,无法达到更好的逼近,这就引出了对信号进行训练来构造自适应学习字典的研究,并且取得了一定的研究成果.本文对信号稀疏表示方法进行了分析研究,同时分析了目前信号稀疏表示的发展趋势.