改进的神经网络级联相关算法及其在初至拾取中的应用

针对传统BP神经网络存在的问题,引入一种神经网络构造算法——级联相关(CC)算法。该算法具有比BP算法更快的收敛速度,能根据待解决问题自行确定网络结构,即能随时扩展网络拓扑结构以学习新样本。常规CC算法的初始网络只包含输入层和输出层。改进的CC算法起始于适当的BP网络结构(存在隐含层);且为了防止权值病态递增,在训练候选隐含神经元的目标函数中加入了正则化项,对权值进行衰减。仿真试验表明:改进的CC算法具有更快收敛速度、更强泛化能力;瞬时强度比、振幅、频率、曲线长度比、相邻道相关性等五种地震属性特征交会图显示对初至波具有稳定的区分能力。本文构建的神经网络初至拾取方法在实际资料应用中取得了良好效果。

基于级连神经网络和SVD的文本分类新模型

提出了一个基于级连神经网络(Cascade-Correlation Neural Network,CCNN)和SVD(Singular Value Decomposition)的文本分类新模型。该神经网络用级连相关算法来训练网络。大部分的文本分类系统用向量空间模型(Vector Space Model,VSM)来表现文档,然而这种方法需要很高的维度,并且考虑不到文本特征词间的语义隐含信息,因此分类效果不是太理想。引入SVD来学习和表现文本特征词,在降低特征维度的基础上,将文本特征的隐含信息表现出来。实验证明,在加快训练速度的基础上,提高了分类的精度。