高維復雜模式識別的新方法.pdf

1、該文對自組織映射網(wǎng)絡(SOM)學習算法和非線性映射方法(NLM)進行改進,并進一步提出了保留模式特征的映射算法,應用于高維復雜化學模式識別,獲得良好的結(jié)果.此外,提出自適應偏最小二乘回歸建模方法,并在實際應用中,獲得良好的結(jié)果.在機理模型參數(shù)確定方面,提出了混沌遺傳算法.該文的主要研究成果可歸納如下:1)為了提高自組織映射網(wǎng)絡(SOM)輸出層神經(jīng)元連接權(quán)矢量的利用率以及加快網(wǎng)絡的收斂,并獲得穩(wěn)定的、保留拓撲特性的網(wǎng)絡輸出,設計了學習率,

2、獲勝領域以及充分利用連接權(quán)矢量的調(diào)整方案.2)提出了在原有非線性映射平面上添加一個新的映射點來產(chǎn)生新的二維映射平面,該映射點與原來樣本中和新模式最接近的模式對應的映射點相同.然后,采用這個新的二維映射平面作為新樣本的初始映射平面,進行非線性映射計算.由于最終獲得的非線性映射平面與原有非線性映射平面幾乎相同,因此采用這種方法可以快速、穩(wěn)定地獲得更新后樣本的非線性映射平面.3)在非線性映射算法中,為了獲得良好的非線性映射結(jié)果,必須克服當映誤

3、差E達到很小值時,仍有少數(shù)幾個映射點之間距離與對應模式之間的距離相差甚遠的情況.對此,設計了自適應映射誤差E算法,該算法通過誤差放大,克服個別映射點拓撲保留較差的情況,使每一個映射點都能較好地反映各個模式在原始空間中的拓撲信息.4)在非線性映射算法中,為了克服非線性映射結(jié)果對初始映射平面的依賴,提出了一種類隨機優(yōu)化方法.5)為了消除模式中有可能存在對描述模式特征無用甚至不利的自變量對映射結(jié)果的干擾,以及消除自變量之間復共線性對映射結(jié)果的