强混叠模式下基于神经元捕获抑制原理的分类器设计 classifier design for heavy-overlap patterns based on captureinhibition principle.pdfVIP

下载本文档

0
0
约2.46万字
约 7页
2017-08-13 发布于上海
举报
版权申诉

强混叠模式下基于神经元捕获抑制原理的分类器设计 classifier design for heavy-overlap patterns based on captureinhibition principle.pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

强混叠模式下基于神经元捕获抑制原理的分类器设计 classifier design for heavy-overlap patterns based on captureinhibition principle

第12期电子学报 V01．34No．12 2006年12月 ACllAEU￡CjIRONICASINICA Dec．2006 强混叠模式下基于神经元捕获／抑制原理的分类器设计张军英1，一，梁军利1，保铲 (1．西安电子科技大学计算机学院，陕西西安710071；2．西安电子科技大学雷达信号处理国家重点实验室，陕西西安710071) 摘要：函数网络(磁；F)等，实际是非线性映射加线性分类的方法，即将输入空间的非线性可分问题经非线性映射到另一空间，在那一空问实现线性分类．本文则开拓性的运用脉冲耦合神经网络神经元的点火捕获的思想，提出了一种基于耦合神经元点火捕获／抑制特性的分类器设计方法，使一类样本对应神经元总是较其它类样本对应神经元先点火以实现对样本的有效分类．所设计的分类器可实现对样本空间中任意复杂分布训练样本的非线性稳健分类，特别是有效实现复杂混叠模式的模式稳健分类，大量复杂?昆叠模式分类问题的仿真实验验证了本文方法的有效性和可行性，并应用于微波暗室实测一维距离像数据的自动目标识别中．关键词：脉冲耦合神经网络(PCNN)；神经元点火的捕获和抑制；稳健分类器文献标识码： A 文章编号：0372—21 中图分类号：TP391 12(2006)12—215年cr7 Based Classifierfor Patternson DesignHeavy—Overlap Capture／InhibitionPrinciple ZHANG p，LIANGJunli，BAO Jun—yin91 Zhen92 (1．School Science ofComputerand西咖Ⅻ咖，XidianUniversity，Xi’an，S／umnx／710071，China； 2．Electronics EngineeringInstitute，XidianUniversity，Xi’a／z，Shaanx／710071，Ch／na) Abstract：Nonlinearlinear intoahidden viasortie classification，i．e．，mappinginseparablespace mappingplus input space nonlinear alinearclassifierto thedatainthehidden oneofthemost for mapping，anddesigning classify space，is popularapproaches machine aclassifierforall classification