概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究及其應(yīng)用.pdf

1、D.F.Specht提出的概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)是基于貝葉斯決策理論與Parzen窗概率密度估計(jì)方法而建立的一種分類(lèi)網(wǎng)絡(luò)。PNN的訓(xùn)練過(guò)程簡(jiǎn)單，算法容易設(shè)計(jì)，在模式識(shí)別及模式分類(lèi)領(lǐng)域有著廣泛的應(yīng)用。然而，PNN拓?fù)浣Y(jié)構(gòu)的復(fù)雜性和訓(xùn)練樣本的數(shù)目成直接比例關(guān)系，每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)隱層神經(jīng)元，當(dāng)訓(xùn)練樣本數(shù)量巨大時(shí)，將導(dǎo)致規(guī)模龐大的網(wǎng)絡(luò)結(jié)構(gòu)，從而阻礙了PNN網(wǎng)絡(luò)的推廣和應(yīng)用。本文的研究

2、工作主要集中于PNN網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方面。
　　論文首先對(duì)PNN的理論基礎(chǔ)和網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行研究，并分析了PNN分類(lèi)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)。PNN在運(yùn)算過(guò)程中通過(guò)Parzen窗估計(jì)法得到類(lèi)條件概率密度，根據(jù)貝葉斯決策提供對(duì)樣本的分類(lèi)。這種基于統(tǒng)計(jì)原理的神經(jīng)網(wǎng)絡(luò)模型無(wú)需訓(xùn)練樣本的連接權(quán)值，由給定樣本直接構(gòu)成隱層，是完全前向的計(jì)算過(guò)程，訓(xùn)練簡(jiǎn)潔；同時(shí)樣本量的增多卻對(duì)PNN的設(shè)計(jì)實(shí)現(xiàn)帶來(lái)了難度。
　　然后歸納總結(jié)了目前PNN拓?fù)浣Y(jié)構(gòu)優(yōu)化的研究技

3、術(shù)，包括樣本向量的降維技術(shù)和PNN網(wǎng)絡(luò)隱層神經(jīng)元的選擇算法。在此基礎(chǔ)上提出了一種基于有監(jiān)督信號(hào)的競(jìng)爭(zhēng)學(xué)習(xí)算法，利用PNN網(wǎng)絡(luò)的分類(lèi)結(jié)果來(lái)調(diào)整隱中心矢量。具體工作包括混疊類(lèi)別的PNN決策邊界分析，算法的具體實(shí)施步驟，收斂條件的確定和平滑因子的選取。而且設(shè)計(jì)了一個(gè)對(duì)服從標(biāo)準(zhǔn)正態(tài)分布的二維空間樣本進(jìn)行分類(lèi)的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明此有監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)算法對(duì)服從標(biāo)準(zhǔn)正態(tài)分布的樣本向量有較好的分類(lèi)效果。
　　最后設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)基于PNN網(wǎng)絡(luò)模型的垃