| 面向模式识别系统建模的有导师的多层反馈神经网络研究 |
| 桑爱民
|
| 1996-06-01
|
学位类型 | 工学硕士
|
中文摘要 | 本文分别从机器学习和人工神经网络角度详细分析了监督学习的本质,总结 厂其发展历吏和现状,希望它能够对智能系统综合集成中人的角色的澄清有卢斤助 益。本文还纵览了反馈神经网络的发展历史与现状,结合实际给出一种通用的反 馈神经网络一带有输出和状态反馈的多层感知机SPOSF,从非线性动力学角度分 析了其结构特点,并基于梯度下降法和监督学习得到了一个适于解决模式识别问 题的sPOsF网络的迭代梯度下降学习算法一IGDL算法,希望通过调整这种闭环 网络的结构及其渐近稳定固定点的吸引域来建立比相应开环系统更具鲁棒性的 识别系统,这个系统应具有更佳的识别效果和更强的泛化能力。 本文还详细分析了IGDL算法进行模式识别的动态本质,与静态的BP算法进 行了深入比较,进一步表明反馈神经网络作为一种非线性动力学系统,不仅在 解决模式序列的联想时有根本优势,就是在识别时间独立的模式集时亦有其 独到之处。因为在存在稳定状态的条件下,反馈系统的内部状态或输出的反馈 能减小系统所受的外部干扰的影响。从模式分类的角度来讲,反馈的加人如果能 带来一个渐近稳定的动态过程,那么它就降低了识别系统的输出相对于输入的初 值敏感性。这就提供了一种提高识别结果或增强识别系统的泛化能力的可能。 为了从通用的SPOSF结构进一步设计适于实际问题的具体结构,还分析了其 固定点的渐近稳定特性,在假设网络状态方程具有固定点并且在固定点附近具有 商到二阶的有界导数的情况下,给出了对两种简化的SPOSF模型的反馈参数进行 设计的一个充分性约束条件。本文还将SPOSF网络用于划分一个实际的时间无关 的模式集一手写数字识别综合集成系统的子系统集成,建立了一个基于监督学习 的离散时间连续状态SPOsF网络作为集成网络,利用迭代梯度下降法IGDL来求 得其连接权阵的学习方向,希望当目标函数在学习结束后能到达全局极小点,而 这时的期望输出就对应着SPOSF网络的渐近稳定吸引子。 本文之所以没有从理论上考虑SPOSF系统状态的吸引子的位置和个数问 题,以及IGDL算法可能收敛到目标函数的局部极小问题,是因为这些问题归根 到底是非线性动力系统的本质问题。但是从本文中的实际应用系统出发,是可以 对SPOSF系统中的这些问题作出初步分析的。 |
语种 | 中文
|
文献类型 | 学位论文
|
条目标识符 | http://ir.ia.ac.cn/handle/173211/7165
|
专题 | 毕业生_硕士学位论文
|
推荐引用方式 GB/T 7714 |
桑爱民. 面向模式识别系统建模的有导师的多层反馈神经网络研究[D]. 中国科学院自动化研究所. 中国科学院自动化研究所,1996.
|
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论