基于RBF神经网络集成的三维模型分类和检索

针对单个神经网络难以对复杂的三维模型特征空间有足够的优化能力和泛化能力的问题,用Boosting方法变种和基于粒子群训练的RBF神经网络,形成特征空间对应的多个神经网络,然后将神经网络集成,给出三维模型的分类信息。在三维模型检索时,将神经网络集成输出的分类信息和特征空间上的距离信息进行加权计算,得到三维模型之间的相似度。实验结果表明,基于RBF神经网络集成的分类方法能有效提高三维模型的分类准确率;同时,考虑特征空间上模型间的距离和语义分类层次上模型间的距离,能够大大提高三维模型的检索精度。

基于优化RBF神经网络的集成算法及其在调制识别中的应用

首先通过模拟退火算法对单个网络的隐含层高斯基函数中心值和标准化常数聚类算法进行了优化,进而提出了一种基于泛化误差性能跟踪的最优训练中止算法,避免了神经网络的过学习问题;最后通过基于最优权重的集成算法给出了模式所属类别的确定性衡量,提高了识别精度和系统的泛化能力。将该算法用于调制信号类型识别,取得了较高的识别精度。

基于集成RBF神经网络的小类别手写体汉字识别系统

该文介绍了RBF神经网络的模型,讨论了RBF网络分类器的机理和特点,提出了一种集成RBF神经网络并应用于小类别手写体汉字识别系统的设计,采用了组合重心分解网格特征方法来提取汉字特征,设计了遗传进化隐层节点自生成算法用于RBF的训练。实验表明该小类别手写体汉字识别系统有很高的识别率,具有一定的实用推广价值。