基于em算法且能以概率1全局收敛的混合学习算法

文章指出了随机神经网络ｅｍ学习算法仍然存在着收敛于局部极小值之缺陷．针对三层随机感知机，文章将ｅｍ学习算法与Ｓｏｌｉｓ和Ｗｅｔｓ的随机优化算法结合起来，提出了三层随机感知机的混合型新学习算法ＨＲｅｍ．文章从理论的角度证明了混合型新学习算法ＨＲｅｍ能以概率１全局收敛于随机感知机的基于Ｋｕｌｂａｃｋ－Ｌｅｉｂｌｅｒ差异度量的最小值．这一理论结果对ｅｍ学习算法的深入研究有重要意义．

多层随机神经网络em算法

本文讨论基于微分流形框架随机神经网络学习算法，称为ｅｍ学习算法；对于多层随机神经网络模型，我们从微分流形的角度分析它的对偶平坦流形结构，描述ｅｍ算法对于多层前馈随机神经网络模型学习算法实现和加速技术。ｅｍ算法可看作为在非完整数据处理下探索最大邻域估计与最好隐变量结构估计的对偶校正学习算法。

基于层次混合专家模型的说话人辩认的研究

探讨了层次混合专家模型在说明人辨认中的应用。对于一个多路分类问题，提出了一个推广的贝努利概率分布密度函数，取代早先用于ＨＭ中的多项式概率分布密度函数。利用提出的概率分布密度函数和ＨＭＥ模型，用ＥＭ学习算法对模块网络进行训练所得到的说明人辩认系统不仅具有良好的而且具有非常快的训练速度。