分享到:

基于最优分类面的神经网络模式分类方法及其应用

神经网络方法由于具有自学习、自组织和泛化能力,在模式分类领域得到了广泛的应用。神经网络的泛化能力是指:用一组训练样本对神经网络进行训练后,网络对训练阶段未曾见过的样本也能正确分类。神经网络模式分类方法虽然具有比其他分类方法更好的泛化能力,但在实际应用中,仍然不能满足人们的期望。特别是当测试样本包含的噪声较大时,往往会发生误判。可见,传统神经网络方法泛化能力并不理想,而且不稳定。所谓泛化能力不稳定是指:对同一个分类任务,训练样本改变,分类器泛化能力的大小也会改变。本文提出了一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面,提高网络的泛化能力,增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力,取得了令人满意的结果。BP网络收敛较慢,我们使用AB神经网络的思想,加快网络的收敛速度。在待逼近的最优分类面比较复杂时,我们将最优分类面分为多个结构相同的神经网络。第一个网络作为A网,其它网络是B网  (本文共64页) 本文目录 | 阅读全文>>

《计算机学报》1950年40期
计算机学报

基于m类逻辑的模式分类方法及其硬件实现

基于m类逻辑的模式分类方法及其硬件实现张自力(西南师范大学计算机科学系重庆630715)THEm-CLASSLOGICBASEDPATTERNCLASSIFICATIONANDITSHARDWAREIMPLEMENTATION¥ZhangZili(DepartmentofComputerScience,SouthwestNormalUniversity,Chongqing630715)1引言本文提出一种基于In类逻辑的模式分类方法,该方法将分类过程转化为一类逻辑函数的综合过程.虽然其理论基础仍是模糊集论,属模糊模式识别范畴,但它与诱导模糊集(inducedfuzzyset)方法[‘,’]及可变值逻辑(variable-valuedlogic)方法‘’‘等相比,也有其独到之处.一般地,一个模式识别过程可分为:(1)数据获取;(2)特征提取;(3)分类过程.本文重点讨论第3步:基于m类逻辑的分类器的设计及其硬件实现.Zm类逻辑与模式...  (本文共4页) 阅读全文>>

《商业时代》2010年11期
商业时代

产业视角下商业模式分类方法研究

商业模式分类问题概述关于商业模式的分类,一直是相关研究中的一个重要问题。大量学者都尝试过对现有的或未来的商业模式进行分类,并渐成了一个研究热点。但遗憾的是,目前还没有学者真正建立起一个全面、清晰、实用、并且令人信服的商业模式分类体系。分类问题也成为商业模式研究中的一个难点问题。究其原因,笔者认为主要有三个:一是商业模式涉及的面过于宽泛,而研究者在进行分类的时候,又总是想将所有的因素都考虑在内,而这是非常困难的;二是各产业间有不同的特点,导致了相异产业内部企业在商业模式上都有各自的特点和侧重,表现在形态上便有很大的差异,要想建立一个能够适用于所有产业的分类方法,几乎是不可能的;三是在当前这个各种新因素、新问题、新方法层出不穷和迅速变化的时代里,商业模式呈现出的表象也是更加千姿百态,这无疑都增加了分类的难度。所以,现有商业模式分类体系出现了很多无法令人满意的问题:或者是包罗万象,却过于宽泛,以至于不具有实用性;或者是过于狭窄,许多类...  (本文共3页) 阅读全文>>

《计算机工程与应用》2005年22期
计算机工程与应用

基于多策略学习的模式分类方法

1引言随着信息技术的不断发展,信息规模的不断扩大,人们对发现和获取信息的需求越来越高。由于分类方法可以有效地辅助信息的检索和利用,因此逐渐成为研究的重点。模式是信息及其联系的一种表现形式。典型的模式有:关系模式、X M L D TD、ontology、面向对象模型和ER模型等。模式分类的目标是在分析模式及其实例的语法和语义基础上,按照应用要求把模式分配给一个或多个合适类别。其在数据集成、数据仓库和信息检索等领域中有着广泛的应用需求。例如,在信息资源服务中,需要按照资源目录体系对由模式形式表示的信息资源进行合理的划分,以便检索和定位;在数据仓库建设中,需要按照数据仓库主题对数据源系统数据模型进行合理分类,便于模式匹配、ETL操作以及模式集成。图1表示了在银行数据仓库建设中,银行业务系统关系表按数据仓库主题的分类情况。其中左侧为银行业务系统关系表,右侧为数据仓库主题。本文以关系模式为例,介绍一种基于多策略学习的模式分类方法。2相关研...  (本文共3页) 阅读全文>>

《计算机技术与发展》2015年02期
计算机技术与发展

模式分类方法比较研究

0引言模式分类是通过构造一个分类函数或者分类模型将数据集映射到某一个给定的类别中,它是模式识别的核心研究内容,关联着其识别的整体效率,广泛应用于各个研究领域[1]。文中重点研究了支持向量机(SVM)、BP神经网络、K近邻(KNN)、朴素贝叶斯(Naive Bayes)、线性判别分析(LDA)和二次判别分析(QDA)共六种模式分类方法。支持向量机的高效性和BP神经网络适合处理复杂性问题的特性,使这两种方法是当前应用最广泛的分类方法。K近邻方法是一种基于权值的聚类方法,在分类中能得到较好的分类效果。朴素贝叶斯是基于概率的分类方法,易于理解且容易实现。线性判别分析、二次判别分析是采用不同判别函数的判别分析方法,是最常采用的分类方法。文中利用MATLAB软件在UCI数据集上进行分类,并对这六种分类方法的准确率和运行时间进行了比较,并从样本数、特征数、类别数这三个方面对各种方法进行了分析,得出了各种分类方法的适用范围,针对不同数据集该采用...  (本文共4页) 阅读全文>>

《电网技术》2009年01期
电网技术

模式分类方法在电能质量扰动信号分类中的应用综述

0引言电网中的非线性、冲击性、波动性负荷越来越多,致使电能质量日益恶化。电力系统中由各种扰动引起的电能质量问题主要分为稳态和暂态2大类:稳态电能质量问题以波形畸变为特征,主要包括谐波、间谐波、电压波动等;暂态电能质量问题常以幅值、频谱和暂态持续时间为特征[1],常见的扰动有电压中断、电压凹陷、电压暂升(暂降)和电磁暂态等。短时电压中断或30%的电压暂降会造成整条装配线的可编程控制器重新复位,暂态脉冲引起的暂态过电压会超出一些设备的容许值,引起工况异常,类似的电压暂升、电压凹陷可能会引起居民区时钟混乱,敏感负荷错误动作,甚至使某些工业处理过程处于瘫痪[2]。为了采取合理的措施提高电能质量,减小扰动带来的影响,首先要对电能质量问题进行评估与分析,对各种扰动进行正确的分类。由于监测到的电能质量数据十分庞大,即使对于熟练的工作人员,也是一项费时费力的工作,因此,实现对各种扰动快速准确的自动分类,已成为目前电能质量分析领域的研究热点。1电...  (本文共6页) 阅读全文>>