随机变异优选择规则人工神经网络的应用.pdfVIP

摘要 本文主要包含三个部分：第一部分为介绍传统模式识别及人工神经网络基 本理论和发展状况；第二部分阐述蒙特卡罗随机变异一优化选择规则及其在多 层前馈网络和Hopfield单层反馈网络中的应用；第三部分介绍一种新的人工设 计逻辑体系——转导推理。 本文的主要工作集中在第二部分。我们首先介绍了人工神经网络设计的“蒙 特卡罗随机变异一优化选择规则’’，并讨论了如何应用这一方法设计用于时间序 列预测的人工神经网络。以设计时间序列预测的多层前馈网络为例，我们详细 说明如何在具体问题中实现最小化系统风险的目标，讨论通过测量系统风险寻 找最优参数约束条件的具体做法。对我国铁路货运量预测的应用实例表明，与 一些典型的传统设计方法比较，网络的泛化能力明显提高，并有效抑制了过学 习现象。然后我们讨论了如何利用随机变异一优化选择规则设计用于模式识别 的单层反馈网络。我们把记忆模式设计成为反馈网络的吸引子，通过控制吸引 域的大小控制网络的泛化能力，充分发掘反馈网络的优越性。对人脸表情识别 的试验实例表明，反馈网络用于模式识别具有潜力。同时我们还讨论了所设计 的反馈网络参数空间的三个动力学相区：混沌相、记忆相和混合相，并指出了 它们可能的实用意义。 转导推理是一种全新的推论理论设想，目