SOM網(wǎng)絡(luò)和廣義回歸網(wǎng)絡(luò)及其混合模型研究.pdf

1、隨著人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)日益成為模式分類的有效手段。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式包括監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。非監(jiān)督學(xué)習(xí)算法的分類精度通常很難令人滿意，而監(jiān)督的學(xué)習(xí)算法需要有標(biāo)記的訓(xùn)練樣本，這有時很難得到，并且其分類精度直接依賴于所用的訓(xùn)練樣本。針對這些缺陷，本文分別對非監(jiān)督學(xué)習(xí)的自組織(SOM)神經(jīng)網(wǎng)絡(luò)和監(jiān)督學(xué)習(xí)的廣義回歸網(wǎng)絡(luò)(GRNN)進(jìn)行了改進(jìn)，并提出了一種基于SOM網(wǎng)絡(luò)和GRNN結(jié)合的混合神經(jīng)網(wǎng)絡(luò)模型。本文的主要工作總結(jié)如

2、下： (1)對幾種代表性的人工神經(jīng)網(wǎng)絡(luò)模型和算法進(jìn)行了討論，了解了人工神經(jīng)網(wǎng)絡(luò)的研究動態(tài)及發(fā)展趨勢，并重點(diǎn)對SOM網(wǎng)絡(luò)和廣義回歸網(wǎng)絡(luò)的模型結(jié)構(gòu)和算法理論進(jìn)行深入研究。 (2)對核函數(shù)方法原理進(jìn)行了研究，并選用核函數(shù)對傳統(tǒng)的SOM網(wǎng)絡(luò)進(jìn)行改進(jìn)，在此基礎(chǔ)上，探討一種基于混合核函數(shù)的SOM網(wǎng)絡(luò)模型，并通過相關(guān)實(shí)驗(yàn)證實(shí)該方法的優(yōu)越性。 (3)對廣義回歸網(wǎng)絡(luò)進(jìn)行深入研究，并用粒子群優(yōu)化算法自動確定GRNN參數(shù)，避免了人工選