一种可识别样本中共同抽象特征的神经网络

本文提出了一种用神经网络进行不同样本所具有的某些共同特征的识别和学习算法 ,他不同于实现样本维数压缩的数学特征提取 ,而是从原始不同样本中识别出他们难以明确表达的某些共同的抽象特征 ,具体阐述了其实现原理并且用实验验证了可行性 .

优先排序神经网络K网覆盖分类研究

从高维空间特征点覆盖的角度,讨论了优先度排序神经网络(PONN)算法,提出了非各向同性的K网覆盖算法(KPA)算法,最后给出标准测试集和应用测试集的比较结果,并对其与各向同性覆盖中心适配选择算法(CASA)进行了分析与比较,实验结果表明KPA算法在样本连续性构造方面优于CASA算法。

结合优先度排序神经网络的样本点分块拟合研究

样本点拟合是动态构造神经网络应用的重要研究领域。从输入输出映射的角度,依赖输出样本点优先关系,结合优先度排序神经网络把输入样本集合划分为不同子集,动态构造优先度排序神经网络对各个子样本集进行映射,对样本点进行分块并行神经网络构造,提高神经网络的训练速度。最后,通过对不同类型样本集进行测试,实验结果表明该算法能有效地减少拟合误差。

一种基于并行覆盖前馈优先神经网络的说话人识别方法

为实现对说话人特征空间多聚类区的有效识别,提出一种基于并行覆盖前馈优先级网络(PCPONN)的说话人识别方法。该方法以LBG算法生成每个说话人特征空间初始的聚类中心,对本类样本按聚类中心分类后,用前馈优先级神经网络(PONN)对每个聚类区进行并行覆盖。相关实验证明,PCPONN符合说话人特征空间点的分布特点,得到更好的稳定性和更高的识别率。

基于知识规则的构造性优先排序神经网络算法

从高维空间样本点覆盖的角度,讨论了基于知识规则的构造性优先排序神经网络(PONN)算法的原理,提出了网络构造过程的一般算法以及基于随机取样规则和重心点规则的两个实例算法。实例算法对螺旋线识别和语种识别进行了仿真。实验结果证明了算法的有效性。语种识别实验结果也表明基于重心规则的PONN算法在一定条件下优于SVM。

供应链环境下订单优先权确定

订货型生产企业中生产优先权的确定是制订生产排程的关键问题.约束理论、线性规划理论、战略理论、层次分析法以及熵权法等均从不同角度给出了订单优先权决策的理论和方法.针对订单优先权确定中的现有理论和方法的不足,构建了更为系统和完善的供应链环境下的订单优先权评价指标体系,在此基础上提出了基于RBF神经网络的供应链环境下确定订单优先权的新方法,并在实证研究中对比分析了三种不同决策方法下的评价效果.研究结果表明:供应链环境下基于RBF神经网络的订单优先权评价方法明显地优于基于BP神经网络的评价方法,更优于传统的基于层次分析法的评价方法,具有评价结果准确和训练时间短等优点.

最小球覆盖几何算法及其在模式识别中的应用

通过对高维空间中超弦角(Hyper-Chord Angle)的定义,引出一种高维最小球覆盖的几何算法.结合 RBF神经元和优先度排序网络,高维最小球覆盖算法可以有效解决模式识别中若干类样本的分类问题.超弦角的定义也为其他高维空间几何问题的研究提供新思路.