正交權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)研究及在圖像處理中的應(yīng)用.pdf

1、神經(jīng)網(wǎng)絡(luò)一直以來(lái)是實(shí)現(xiàn)分類(lèi)器的重要方法之一.在多年的研究中，不同年代出現(xiàn)了幾種有代表性的網(wǎng)絡(luò)學(xué)習(xí)算法：如60年代的Widrow-Hoff神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法；70年代的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法；80年代的Hopfield網(wǎng)絡(luò)；上述各種方法都有缺點(diǎn)。例如，Widrow-Hoff神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法只能解決線性可分問(wèn)題，BP網(wǎng)絡(luò)學(xué)習(xí)算法的收斂速度慢，而樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的出現(xiàn)，解決了上述的問(wèn)題，使得神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了新的紀(jì)元。
　　

2、本文算法的實(shí)現(xiàn)，正是以樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，用正交函數(shù)（通過(guò)插值方法得到）作為神經(jīng)網(wǎng)絡(luò)的權(quán)函數(shù)（代替了樣條權(quán)函數(shù)）.其中，每個(gè)權(quán)函數(shù)是最佳平方逼近多項(xiàng)式，并結(jié)合正交權(quán)函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)多輸入單輸出和多輸入多輸出兩種情況下的誤差進(jìn)行了分析。
　　 正交權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)不僅繼承了樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)，即不存在傳統(tǒng)梯度下降類(lèi)算法的局部極小，收斂速度慢，對(duì)初值敏感等缺點(diǎn)，而且與樣條權(quán)函數(shù)相比，最后的正交權(quán)函數(shù)的表達(dá)式簡(jiǎn)單且