高維復(fù)雜模式識(shí)別的新方法.pdf

1、該文對(duì)自組織映射網(wǎng)絡(luò)(SOM)學(xué)習(xí)算法和非線性映射方法(NLM)進(jìn)行改進(jìn),并進(jìn)一步提出了保留模式特征的映射算法,應(yīng)用于高維復(fù)雜化學(xué)模式識(shí)別,獲得良好的結(jié)果.此外,提出自適應(yīng)偏最小二乘回歸建模方法,并在實(shí)際應(yīng)用中,獲得良好的結(jié)果.在機(jī)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(luò)(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(luò)的收斂,并獲得穩(wěn)定的、保留拓?fù)涮匦缘木W(wǎng)絡(luò)輸出,設(shè)計(jì)了學(xué)習(xí)率,

2、獲勝領(lǐng)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(gè)新的映射點(diǎn)來產(chǎn)生新的二維映射平面,該映射點(diǎn)與原來樣本中和新模式最接近的模式對(duì)應(yīng)的映射點(diǎn)相同.然后,采用這個(gè)新的二維映射平面作為新樣本的初始映射平面,進(jìn)行非線性映射計(jì)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(dāng)映誤

3、差E達(dá)到很小值時(shí),仍有少數(shù)幾個(gè)映射點(diǎn)之間距離與對(duì)應(yīng)模式之間的距離相差甚遠(yuǎn)的情況.對(duì)此,設(shè)計(jì)了自適應(yīng)映射誤差E算法,該算法通過誤差放大,克服個(gè)別映射點(diǎn)拓?fù)浔Ａ糨^差的情況,使每一個(gè)映射點(diǎn)都能較好地反映各個(gè)模式在原始空間中的拓?fù)湫畔?4)在非線性映射算法中,為了克服非線性映射結(jié)果對(duì)初始映射平面的依賴,提出了一種類隨機(jī)優(yōu)化方法.5)為了消除模式中有可能存在對(duì)描述模式特征無用甚至不利的自變量對(duì)映射結(jié)果的干擾,以及消除自變量之間復(fù)共線性對(duì)映射結(jié)果的